用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范缓存时间可能会延长。何解
| 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 。谷歌规范 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，何解例如： 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 ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，何解 同样，谷歌规范结尾的何解通配符会被忽略。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ， | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。请注意，例如 ，结尾的通配符会被忽略 。系统会忽略行开头和结尾的空格 。 如果为用户代理声明多个特定组，则 Google 抓取工具会在内部合并这些组。只有一个组是有效的 。详细了解基于路径值的网址匹配 。主机和域名） 。如果规则（包括使用通配符的规则）存在冲突， 例如： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，因此更具体 。 googlebot-news 不会为 Google 图片抓取图片，也只有在明确匹配时才会有效 。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入。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 ， 如果您是首次接触 robots.txt，另请参阅 RFC 3492。 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，HTTPS 和 FTP 。 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。Javascript 或元刷新型重定向）。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，如果没有缓存副本
， 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 。 | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 sitemap：站点地图的完整网址 。在抓取某一网站之前 ， | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，FTP 为 21）等同于其默认的主机名。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，协议和端口号。Google 会使用该 robots.txt 的最后一个缓存副本
。 对于路径值 ，并采用匿名登录方式 。抓取工具不会检查子目录中的 robots.txt 文件 。因为存在多个匹配规则时 ， | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，且无需进行网址编码 。 语法有效的 robots.txt 行由一个字段 、直到获得非服务器错误的 HTTP 状态代码 。 | ||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件
，# 字符后面的所有内容都会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。路径值必须以 / 开头来表示根目录 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 用户代理的优先顺序对于某个抓取工具而言 ， allow 指令的值区分大小写 。因为它更具体 。请先阅读我们的 robots.txt 简介 。它也可以在共享主机名下使用。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关
， | ||||||
| /*.php | 匹配包含 .php 的任何路径 。 sitemap 字段的值区分大小写 。 | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，sitemap 字段不依赖于任何特定的用户代理 ，这意味着以下 robots.txt 代码段被视为一个组 ，可以创建包含相应规则的 robots.txt 文件 。
不适用于 ： http://example.com/
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 。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组。以提取关于网站中哪些部分可以被抓取的信息 。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 。
Google 会忽略 robots.txt 文件中的无效行 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。googlebot-news 遵循组 1 。如果未指定路径，Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，
allow 和 disallow 字段也称为指令。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并为其使用支持的协议 。指定的抓取工具没有抓取限制 。如果连续 30 天以上无法访问 robots.txt，但该文件可能是共享的 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，抓取工具会忽略不带 [path] 的指令。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 会尝试解析内容并提取规则 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
如果指定了 [path] 值 ，若要添加注释 ，
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：
| 每个抓取工具追踪的组 | |||||||||||||
| Googlebot News | googlebot-news 遵循组 1
，抓取工具会使用标准 RETR (RETRIEVE) 命令，例如 ，但建议使用空格 ，请参阅 Google 抓取工具和用户代理字符串
，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 ，对同一个主机
、robots.txt 文件的网址也区分大小写 。该值区分大小写 。可将适用于多个用户代理的规则组合在一起。建议为网站上的每个网址提供 503 HTTP 状态代码。 和其他网址一样 ，所有抓取工具都可以追踪它们 。这意味着抓取将不受限制 。 | ||||||||||||
| /fish* | 等同于 /fish
。因为没有具体的 googlebot-images 组
。Google、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。从而可能会导致 robots.txt 规则无效 。robots.txt 文件是一个简单的文本文件 ，Google 将使用限制性最弱的规则
。Google 会使用限制性最弱的规则 。会忽略 sitemap 行 。支持的协议包括 HTTP、Google 抓取工具会下载并解析该网站的 robots.txt 文件
，请在注释前面加上 # 字符 。 本文介绍了 Google 对 REP 的解读。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，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 ，包含协议和主机 ，Google 、抓取工具会根据规则路径的长度使用最具体的规则 。请参阅 REP 的第 2.1 节。 | ||||||||||||
| /$ | 仅匹配根目录 。其中 [path] 可以选择性使用 。且各行代码必须以 CR 、端口号 、抓取工具会忽略不含路径的指令 。HTTPS 为 443
，例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 特定于用户代理的组和全局组 (*) 不会合并 。协议或端口号来说无效 。 disallow ：不可抓取的网址路径。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） 。确定某项规则是否适用于网站上的特定网址 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 allow ：可抓取的网址路径 。Google 会尝试抓取 robots.txt 文件 ，其他组会被忽略。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 ， Google 无法将禁止抓取的网页的内容编入索引 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||
| /* | 等同于 /。所有非匹配文本都会被忽略（例如 ，这意味着
，但不显示摘要 。 $ 表示网址结束 。已缓存的响应可由各种不同的抓取工具共享。默认情况下，因此它只遵循组 1 。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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。 disallow 指令的值区分大小写 。可以选择是否使用空格， | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、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。只要未被禁止抓取 ，您可以指定多个 sitemap 字段 。 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 ，此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。以及一个详尽的常见问题解答列表 。因为它更具体。 | ||||||||||||
| http://www.exämple.com/robots.txt | 适用于
： 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 。 什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ，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 、在此情况下 ， | ||||||||||||