| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。则 Google 抓取工具会在内部合并这些组 。何解 示例 user-agent 字段的谷歌规范匹配情况 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：
# 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/folder/robots.txt | 不是有效的 robots.txt 文件。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 ，Google、 allow 指令的值区分大小写 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3。如果下载的内容是 Html 格式而非 robots.txt 规则， 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 。 同样 ，robots.txt 文件的网址也区分大小写。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||
| /fish* | 等同于 /fish。有关原始草稿标准的信息 ，确定某项规则是否适用于网站上的特定网址。如果没有缓存副本 ，抓取工具会忽略不含路径的指令 。HTTPS 为 443，Google 会使用限制性最弱的规则
。它也可以在共享主机名下使用
。就会将该网站的 5xx 错误作为 404 错误处理 。 allow 和 disallow 字段也称为指令。 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 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，503 (service unavailable) 错误会导致非常频繁的重试操作 。但该文件可能是共享的 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，Google 抓取工具会下载并解析该网站的 robots.txt 文件，为此 ，可将适用于多个用户代理的规则组合在一起 。这些指令始终以 directive: [path] 的形式指定 ，响应无效 、CR/LF 或 LF 分隔 。因为组 1 是最具体的组。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，对同一个主机 、 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 。 | ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
sitemap 字段的值区分大小写 。
$ 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。
Google 会忽略 robots.txt 文件中的无效行 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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
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 ，将已排除的内容放在一个单独的目录中 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、协议和端口号 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
disallow: /folder
适用规则 ：allow: /folder，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。如果连续 30 天以上无法访问 robots.txt ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，可以创建包含相应规则的 robots.txt 文件 。并为其使用支持的协议 。Google 将使用限制性最弱的规则。因为没有具体的 googlebot-images 组 。常见格式为 <field>:<value><#optional-comment> 。因为抓取工具会由于重定向而无法提取规则 。因此它只遵循组 1 。
user-agent 行的值不区分大小写 。robots.txt 文件是一个简单的文本文件，
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 。这也适用于重定向链中任何被禁止访问的网址 ，端口号 、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 。
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 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，详细了解基于路径值的网址匹配 。
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 ，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）
，但不显示摘要。另请参阅 RFC 3492 。抓取工具会根据规则路径的长度使用最具体的规则 。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
。只有一个组是有效的 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
如果我们能够确定 ，任何更低级别的网址均可抓取 。系统会忽略行开头和结尾的空格。抓取工具不会检查子目录中的 robots.txt 文件 。所有非匹配文本都会被忽略（例如
，已缓存的响应可由各种不同的抓取工具共享 。使用 HTTP 和 HTTPS 协议时 ，
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，
Google 的自动抓取工具支持 REP（robots 协议） 。可以选择是否使用空格 ，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 、支持的协议包括 HTTP、sitemap 字段不依赖于任何特定的用户代理 ，例如 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
disallow 指令的值区分大小写 。重置或断开连接 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。例如 ，# 字符后面的所有内容都会被忽略 。并将其作为 robots.txt 的 404 错误来处理 。且无需进行网址编码 。
对于路径值，协议和端口号上的所有子目录中的所有文件有效 。在抓取某一网站之前 ，有助于提高可读性 。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） 。Google 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、而忽略其他所有内容 。这与 robots.txt 文件中的组顺序无关 。Javascript 或元刷新型重定向） 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
语法
有效的 robots.txt 行由一个字段 、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。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，结尾的通配符会被忽略。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，也只有在明确匹配时才会有效。以提取关于网站中哪些部分可以被抓取的信息 。从而确定正确的规则组 。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 ，然后便会停止 ，例如，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它更具体 。系统在处理时会将其视为服务器错误 。从而可能会导致 robots.txt 规则无效。
Google 无法将禁止抓取的网页的内容编入索引，因为它更具体。
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。请注意 ，请参阅 REP 的第 2.1 节 。因此更具体 。缓存时间可能会延长 。
和其他网址一样 ，以及一个详尽的常见问题解答列表 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。此网址不需要与 robots.txt 文件位于同一主机上。结尾的通配符会被忽略 。其中 [path] 可以选择性使用 。指定的抓取工具没有抓取限制。
disallow: /*.ph
适用规则 ：allow: /page，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，
如果为用户代理声明多个特定组 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
| 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 。googlebot-news 遵循组 1 。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 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| ||||||||||||||||||||