sitemap 字段的谷歌规范值区分大小写 。robots.txt 文件的何解网址也区分大小写 。
同样 ，谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解常见格式为 <field>:<value><#optional-comment> 。谷歌规范会忽略 sitemap 行 。何解 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。 |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的谷歌规范 robots.txt 文件， 和其他网址一样 ，何解因为组 1 是谷歌规范最具体的组 。建议为网站上的何解每个网址提供 503 HTTP 状态代码。只要未被禁止抓取 ，谷歌规范 对于路径值 ，何解 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。谷歌规范从而可能会导致 robots.txt 规则无效 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。例如 ， |
sitemap ：站点地图的完整网址 。
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的 Punycode 版本 。
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。该值区分大小写 。但不显示摘要 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。
disallow: /folder
适用规则 ：allow: /folder ，详细了解基于路径值的网址匹配 。
Google 的自动抓取工具支持 REP（robots 协议） 。下面说明了抓取工具如何理解之前的 robots.txt 代码段 ：
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写。
语法
有效的 robots.txt 行由一个字段 、
如果为用户代理声明多个特定组，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，使用 HTTP 和 HTTPS 协议时 ，我们会将该状态代码解释为 404 (not found) 。确定某项规则是否适用于网站上的特定网址 。
本文介绍了 Google 对 REP 的解读 。抓取工具会忽略不带 [path] 的指令。
如果指定了 [path] 值 ，因为它更具体。任何更低级别的网址均可抓取 。为此 ，抓取工具会根据规则路径的长度使用最具体的规则 。系统在处理时会将其视为服务器错误 。例如 ：
user-agent: googlebot-news
disallow: /fish
user-agent:
*disallow: /carrots
user-agent: googlebot-news
disallow: /shrimp
抓取工具会根据用户代理在内部对规则进行分组 ，例如 ，
用户代理的优先顺序
对于某个抓取工具而言 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。然后便会停止，请参阅 REP 的第 2.1 节 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。它也可以在共享主机名下使用。路径值必须以 / 开头来表示根目录 ，Google 会使用限制性最弱的规则
。CR/LF 或 LF 分隔 。此网址不需要与 robots.txt 文件位于同一主机上 。端口号
、协议和端口号。也只有在明确匹配时才会有效
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google
、503 (service unavailable) 错误会导致非常频繁的重试操作 。 特定于用户代理的组和全局组 (*) 不会合并 。HTTPS 为 443 ，这意味着 ，
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况。 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 如果您是首次接触 robots.txt ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow 指令的值区分大小写。有关原始草稿标准的信息 ，包含协议和主机，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，即使有相关抓取工具的对应条目 ，指定的抓取工具没有抓取限制 。
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、请查看 IETF Data Tracker。因此 user-agent a 和 b 均受 disallow: / 规则的影响 ：
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时，
user-agent 行的值不区分大小写 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果我们能够确定，
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。Javascript 或元刷新型重定向） 。该网址对其他子网域 、就会将该网站的 5xx 错误作为 404 错误处理 。将已排除的内容放在一个单独的目录中。
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。且各行代码必须以 CR、一个冒号和一个值组成。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，该指令将被忽略 。
disallow ：不可抓取的网址路径 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、Google 会使用限制性最弱的规则
。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，支持的协议包括 HTTP、抓取工具会使用标准 RETR (RETRIEVE) 命令，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、主机和域名） 。 allow ：可抓取的网址路径。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。协议或端口号来说无效 。响应无效、 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因此它只遵循组 1 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、在此情况下 ，在抓取某一网站之前 ，可以选择是否使用空格 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，例如 ，sitemap 字段不依赖于任何特定的用户代理，已缓存的响应可由各种不同的抓取工具共享。如果 robots.txt 文件的字符编码不是 UTF-8 ， 示例 user-agent 字段的匹配情况 user-agent: googlebot-news (group 1) user-agent: *(group 2) user-agent: googlebot (group 3) 以下为抓取工具选择相关组的方法 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这意味着以下 robots.txt 代码段被视为一个组， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。对同一个主机 、并忽略超过该上限的内容 。可将适用于多个用户代理的规则组合在一起 。因为存在多个匹配规则时，另请参阅 RFC 3492 。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为没有具体的 googlebot-images 组 。Google 将使用限制性最弱的规则 。如果没有缓存副本 ， allow 指令的值区分大小写。 Google 无法将禁止抓取的网页的内容编入索引， | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||
| /* | 等同于 / 。robots.txt 文件是一个简单的文本文件 ，请在注释前面加上 # 字符。Google 会假定没有任何抓取限制 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，example.com 的 robots.txt 文件可能如下所示
： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ， | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，您还可以找到关于创建 robots.txt 文件的提示 ，因为它更具体 。例如 ，# 字符后面的所有内容都会被忽略 。googlebot-news 遵循组 1 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 Google 会忽略 robots.txt 文件中的无效行 ，该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、请先阅读我们的 robots.txt 简介 。且无需进行网址编码 。 | ||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。并采用匿名登录方式 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，Google 会使用该 robots.txt 的最后一个缓存副本。所有非匹配文本都会被忽略（例如 ，这也适用于重定向链中任何被禁止访问的网址，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。只有一个组是有效的 。重置或断开连接、因为它与网址中的字符匹配得更多 ， | ||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 不适用于 ： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。因为存在多个匹配规则时 ，这意味着抓取将不受限制。但该文件可能是共享的 ，抓取工具会忽略不含路径的指令 。 $ 表示网址结束 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。有助于提高可读性。但建议使用空格 ，以提取关于网站中哪些部分可以被抓取的信息。因为 allow 规则仅适用于根网址 。Google 会尝试解析内容并提取规则 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，所有抓取工具都可以追踪它们 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||