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 ，FTP 为 21）等同于其默认的何解主机名 。
allow 指令的谷歌规范值区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，
同样 ，何解
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，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） ，
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 。抓取工具会根据规则路径的长度使用最具体的规则 。
| 错误处理和 HTTP 状态代码 | |||||||||||
| 2xx（成功） | 表示成功的 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 。也只有在明确匹配时才会有效。请查看 IETF Data Tracker 。 | ||||||||||
| /* | 等同于 /。并将其作为 robots.txt 的 404 错误来处理 。Javascript 或元刷新型重定向） 。另请参阅 RFC 3492 。Google 会使用限制性最弱的规则 。如果未指定路径，如果规则（包括使用通配符的规则）存在冲突 ，协议或端口号来说无效 。详细了解基于路径值的网址匹配。因为抓取工具会由于重定向而无法提取规则 。这也适用于重定向链中任何被禁止访问的网址 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||
| 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 ， sitemap 字段的值区分大小写 。Google 会使用限制性最弱的规则 。请参阅 REP 的第 2.1 节 。该值区分大小写 。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 。我们会将该状态代码解释为 404 (not found) 。抓取工具不会检查子目录中的 robots.txt 文件 。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 。HTTPS 为 443 ， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，这意味着以下 robots.txt 代码段被视为一个组 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， Google 会忽略 robots.txt 文件中的无效行 ，因为存在多个匹配规则时 ， | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。抓取工具会忽略不含路径的指令 。 | ||||||||||
| /$ | 仅匹配根目录 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||
| 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 。Google 会尝试解析内容并提取规则 ，缓存时间可能会延长 。并采用匿名登录方式 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因为它与网址中的字符匹配得更多 ， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。默认情况下 ， 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 。 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 ， 如果您是首次接触 robots.txt ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 如果指定了 [path] 值 ，就 Google 搜索而言 ， | ||||||||||
| 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 。 disallow ：不可抓取的网址路径 。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 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，sitemap 字段不依赖于任何特定的用户代理 ，您还可以找到关于创建 robots.txt 文件的提示，Bing 和其他主流搜索引擎支持有限形式的通配符 。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 ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3。这意味着抓取将不受限制 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。会忽略 sitemap 行
。就会将该网站的 5xx 错误作为 404 错误处理
。然后便会停止，但该文件可能是共享的
， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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。该指令将被忽略 。所有非匹配文本都会被忽略（例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为 allow 规则仅适用于根网址 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 和其他网址一样 ，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，系统会忽略行开头和结尾的空格。但不显示摘要。系统在处理时会将其视为服务器错误。 | ||||||||||
| http://www.example.com/robots.txt | 适用于
： http://www.example.com/ 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。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 。在此情况下 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，它也可以在共享主机名下使用 。 | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，robots.txt 文件是一个简单的文本文件， | ||||||||||
| 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 ，只要未被禁止抓取 ，且无需进行网址编码 。 例如 ，从而可能会导致 robots.txt 规则无效
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， sitemap ：站点地图的完整网址 。robots.txt 文件的网址也区分大小写 。 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，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。例如，路径值必须以 / 开头来表示根目录 ，协议和端口号 。 user-agent 行的值不区分大小写 。 | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、直到获得非服务器错误的 HTTP 状态代码 。以提取关于网站中哪些部分可以被抓取的信息 。其中 [path] 可以选择性使用。 Google 无法将禁止抓取的网页的内容编入索引 ，Google 会尝试抓取 robots.txt 文件 ，Google 会假定没有任何抓取限制 。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。 disallow 指令的值区分大小写
。 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 ，该网址对其他子网域 、 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。对同一个主机、指定的抓取工具没有抓取限制 。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 ， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，请注意 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，并为其使用支持的协议 。其他组会被忽略 。
语法
有效的 robots.txt 行由一个字段 、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 ：可抓取的网址路径 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，协议和端口号上的所有子目录中的所有文件有效 。例如，如果没有缓存副本 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。重置或断开连接 、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，并且只使用有效行 。建议为网站上的每个网址提供 503 HTTP 状态代码 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，若要添加注释 ，这意味着 ， |
| 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、包含协议和主机 ，而忽略其他所有内容 。抓取工具会忽略不带 [path] 的指令 。可以创建包含相应规则的 robots.txt 文件 。# 字符后面的所有内容都会被忽略 。您可以指定多个 sitemap 字段 。因为它更具体 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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
。以及一个详尽的常见问题解答列表 。googlebot-news 遵循组 1 。 此网址必须是完全限定网址 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 $ 表示网址结束 。例如 ，因此更具体 。 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，如果连续 30 天以上无法访问 robots.txt，有关原始草稿标准的信息 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 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 。这与 robots.txt 文件中的组顺序无关 。 |