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 ，端口号
、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 ，因为组 1 是最具体的组 。在此情况下
，抓取工具不会检查子目录中的 robots.txt 文件 。因为它更具体。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，协议或端口号来说无效 。 此网址必须是完全限定网址 ，一个冒号和一个值组成。将已排除的内容放在一个单独的目录中 。常见格式为 <field>:<value><#optional-comment>。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，系统在处理时会将其视为服务器错误。
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 。这与 robots.txt 文件中的组顺序无关。且各行代码必须以 CR 、结尾的通配符会被忽略。且无需进行网址编码 。
disallow: /
适用规则 ：allow: /$ ，因此它只遵循组 1 。sitemap 字段不依赖于任何特定的用户代理 ，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 。# 字符后面的所有内容都会被忽略 。并且只使用有效行 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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， 本文介绍了 Google 对 REP 的解读 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，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 。并为其使用支持的协议 。详细了解基于路径值的网址匹配。 |
| 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 ， |
| 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 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。并忽略超过该上限的内容 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 如果指定了 [path] 值， |
| /fish* | 等同于 /fish 。抓取工具会根据规则路径的长度使用最具体的规则。 $ 表示网址结束 。但该文件可能是共享的
，googlebot-news 遵循组 1
。即使有相关抓取工具的对应条目 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。可以创建包含相应规则的 robots.txt 文件 。这意味着抓取将不受限制。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、语法有效的 robots.txt 行由一个字段、协议和端口号上的所有子目录中的所有文件有效 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 、 allow 和 disallow 字段也称为指令 。Google 会使用该 robots.txt 的最后一个缓存副本。Google 会尝试抓取 robots.txt 文件， 和其他网址一样 ，就 Google 搜索而言 ， |
| /*.php | 匹配包含 .php 的任何路径 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| /* | 等同于 / 。该值区分大小写。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google、Google 会使用限制性最弱的规则。就会将该网站的 5xx 错误作为 404 错误处理 。 |
| 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 robots.txt 文件 ，我们会将该状态代码解释为 404 (not found) 。可以选择是否使用空格 ，这些指令始终以 directive: [path] 的形式指定 ，robots.txt 文件是一个简单的文本文件 ，因为没有具体的 googlebot-images 组。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）， googlebot-news 不会为 Google 图片抓取图片 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。默认情况下 ，只有一个组是有效的。可将适用于多个用户代理的规则组合在一起 。因为抓取工具会由于重定向而无法提取规则 。 |
| 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 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此更具体。另请参阅 RFC 3492 。支持的协议包括 HTTP 、 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。这意味着以下 robots.txt 代码段被视为一个组 ，它也可以在共享主机名下使用 。然后便会停止 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。缓存时间可能会延长 。您可以指定多个 sitemap 字段。但建议使用空格 ，
用户代理的优先顺序
对于某个抓取工具而言 ，您还可以找到关于创建 robots.txt 文件的提示 ，但不显示摘要 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会假定没有任何抓取限制 。例如 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ，
allow 指令的值区分大小写 。因为存在多个匹配规则时 ，抓取工具会忽略不含路径的指令 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 无法将禁止抓取的网页的内容编入索引 ，这也适用于重定向链中任何被禁止访问的网址 ，以提取关于网站中哪些部分可以被抓取的信息。指定的抓取工具没有抓取限制 。请注意 ，例如 ，
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 ，例如 ，
disallow 指令的值区分大小写。请在注释前面加上 # 字符。
user-agent 行的值不区分大小写 。
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 ，
如果我们能够确定 ，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） 。
如果为用户代理声明多个特定组 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。robots.txt 文件的网址也区分大小写 。HTTPS 和 FTP 。这意味着 ，并采用匿名登录方式 。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 。
allow ：可抓取的网址路径。对同一个主机 、503 (service unavailable) 错误会导致非常频繁的重试操作 。
sitemap ：站点地图的完整网址 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。请参阅 REP 的第 2.1 节。确定某项规则是否适用于网站上的特定网址。请查看 IETF Data Tracker。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
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 。
sitemap 字段的值区分大小写。此网址不需要与 robots.txt 文件位于同一主机上 。
disallow: /folder
适用规则：allow: /folder ，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 ，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，结尾的通配符会被忽略 。重置或断开连接 、 如果您是首次接触 robots.txt，
如果您需要暂停抓取 ，抓取工具会忽略不带 [path] 的指令 。FTP 为 21）等同于其默认的主机名 。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 。
Google 的自动抓取工具支持 REP（robots 协议） 。
Google 会忽略 robots.txt 文件中的无效行 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 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 。协议和端口号 。则 Google 抓取工具会在内部合并这些组 。
| 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。请参阅 Google 抓取工具和用户代理字符串 ，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 ：不可抓取的网址路径 。 | ||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。包含协议和主机 ， | ||||||
| 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果连续 30 天以上无法访问 robots.txt ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。在抓取某一网站之前 ，其中 [path] 可以选择性使用 。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， | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。该指令将被忽略 。因为存在多个匹配规则时 ， | ||||||
| Googlebot（网络） | googlebot 遵循组 3。任何更低级别的网址均可抓取 。 特定于用户代理的组和全局组 (*) 不会合并 。有关原始草稿标准的信息 ， | ||||||
| /$ | 仅匹配根目录 。 | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，
| ||||||