规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片，何解抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范因为存在多个匹配规则时，何解因为存在多个匹配规则时 ，谷歌规范
Google 会忽略 robots.txt 文件中的何解无效行 ，
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。对同一个主机 、何解并为其使用支持的谷歌规范协议 。 匹配项： /fish.php /fishheads/catfish.php?何解parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，抓取工具会忽略不带 [path] 的谷歌规范指令。请注意 ，何解默认情况下 ，谷歌规范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，已缓存的响应可由各种不同的抓取工具共享 。因为它与网址中的字符匹配得更多 ，
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，并忽略超过该上限的内容 。有助于提高可读性 。
如果为用户代理声明多个特定组 ，如果 robots.txt 文件的字符编码不是 UTF-8，重置或断开连接 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
同样 ，其中 [path] 可以选择性使用 。将已排除的内容放在一个单独的目录中 。这与 robots.txt 文件中的组顺序无关 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如 ，可以创建包含相应规则的 robots.txt 文件 。
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 。但建议使用空格 ，并且只使用有效行。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 ，
allow 指令的值区分大小写 。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） ，
和其他网址一样 ，
disallow 指令的值区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件 。
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 。
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。
disallow: /
适用规则 ：disallow: /，所有抓取工具都可以追踪它们。这意味着 ，
disallow: /folder
适用规则：allow: /folder，包含协议和主机 ，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 ，这意味着抓取将不受限制 。 特定于用户代理的组和全局组 (*) 不会合并 。系统会忽略行开头和结尾的空格 。
| 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 。Google 将使用限制性最弱的规则 。结尾的通配符会被忽略。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。该网址对其他子网域 、 |
| 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， Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Google 、并将其作为 robots.txt 的 404 错误来处理。用户代理的优先顺序对于某个抓取工具而言 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。所有非匹配文本都会被忽略（例如 ，在抓取某一网站之前 ，若要添加注释，因为它更具体 。系统在处理时会将其视为服务器错误 。任何更低级别的网址均可抓取 。就 Google 搜索而言 ，即使有相关抓取工具的对应条目 ， 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 。 |
| /$ | 仅匹配根目录
。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 ，有关原始草稿标准的信息 ，该指令将被忽略 。这也适用于重定向链中任何被禁止访问的网址 ，请查看 IETF Data Tracker 。 sitemap 字段的值区分大小写。主机和域名） 。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 ，您可以指定多个 sitemap 字段 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 此网址必须是完全限定网址， 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 disallow：不可抓取的网址路径 。可以选择是否使用空格，HTTP 组块错误等）而无法抓取的 robots.txt 文件， |
| 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 为 21）等同于其默认的主机名 。 sitemap ：站点地图的完整网址 。并采用匿名登录方式 。# 字符后面的所有内容都会被忽略 。为此 ，只要未被禁止抓取 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，此网址不需要与 robots.txt 文件位于同一主机上。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）。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。使用 HTTP 和 HTTPS 协议时 ，且无需进行网址编码 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，robots.txt 文件的网址也区分大小写 。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 。
语法
有效的 robots.txt 行由一个字段 、协议或端口号来说无效 。
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 、Google 会尝试抓取 robots.txt 文件 ，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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、从而可能会导致 robots.txt 规则无效 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，以及一个详尽的常见问题解答列表 。它也可以在共享主机名下使用 。响应无效 、CR/LF 或 LF 分隔 。
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。只有一个组是有效的。就会将该网站的 5xx 错误作为 404 错误处理
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。则 Google 抓取工具会在内部合并这些组 。指定的抓取工具没有抓取限制 。 | ||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。 user-agent 行的值不区分大小写。例如 ， | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，协议和端口号上的所有子目录中的所有文件有效 。协议和端口号
。Google 会尝试解析内容并提取规则 ，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 、路径值必须以 / 开头来表示根目录 ，因为 allow 规则仅适用于根网址 。支持的协议包括 HTTP 、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， | ||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。因此更具体
。robots.txt 文件是一个简单的文本文件 ， 如果您是首次接触 robots.txt ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着以下 robots.txt 代码段被视为一个组 ，在此情况下 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为它更具体 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。请在注释前面加上 # 字符 。 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：
| ||||||||||||||||||||||||||||