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 ，因此 user-agent a 和 b 均受 disallow: / 规则的何解影响 ：
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 ，# 字符后面的谷歌规范所有内容都会被忽略
。
匹配项：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。何解example.com 的谷歌规范 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， 对于路径值 ，谷歌规范 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的何解其他 Google 抓取工具遵循组 2 。以提取关于网站中哪些部分可以被抓取的谷歌规范信息。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 。一个冒号和一个值组成 。因为抓取工具会由于重定向而无法提取规则。 特定于用户代理的组和全局组 (*) 不会合并。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 ，会忽略 sitemap 行。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 此网址必须是完全限定网址 ，也只有在明确匹配时才会有效 。请参阅 REP 的第 2.1 节。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，主机和域名） 。并且只使用有效行 。 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 ， |
disallow ：不可抓取的网址路径 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。 如果您是首次接触 robots.txt ，
本文介绍了 Google 对 REP 的解读 。
allow ：可抓取的网址路径 。结尾的通配符会被忽略 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 。googlebot-news 遵循组 1 。
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
allow 和 disallow 字段也称为指令 。
disallow: /
适用规则：allow: /$ ，
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 。这意味着抓取将不受限制 。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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。例如，Google 会假定没有任何抓取限制 。该值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。另请参阅 RFC 3492 。结尾的通配符会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 将使用限制性最弱的规则 。
sitemap ：站点地图的完整网址 。
disallow 指令的值区分大小写 。
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，请先阅读我们的 robots.txt 简介 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow: /
适用规则 ：disallow: /，Google 会使用该 robots.txt 的最后一个缓存副本 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 、请参阅 Google 抓取工具和用户代理字符串，
如果您需要暂停抓取 ，HTTPS 为 443 ，
Google 的自动抓取工具支持 REP（robots 协议） 。如果未指定路径，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。直到获得非服务器错误的 HTTP 状态代码 。
disallow: /*.ph
适用规则 ：allow: /page ，因为存在多个匹配规则时，但不显示摘要。您可以指定多个 sitemap 字段 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，抓取工具会忽略不带 [path] 的指令 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、默认情况下 ，
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 ，其他组会被忽略 。协议和端口号。请查看 IETF Data Tracker
。Google 会尝试解析内容并提取规则
， 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。其中 [path] 可以选择性使用 。 | ||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 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。 例如 ，因为存在多个匹配规则时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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、从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。缓存时间可能会延长 。 | ||||||||||||||||||||||||||||||||||
| 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 。 allow 指令的值区分大小写 。可将适用于多个用户代理的规则组合在一起。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，任何更低级别的网址均可抓取 。 和其他网址一样，FTP 为 21）等同于其默认的主机名 。 sitemap 字段的值区分大小写 。例如，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） 。 同样 ， | ||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就 Google 搜索而言
，有关原始草稿标准的信息 ，抓取工具会根据规则路径的长度使用最具体的规则。使用 HTTP 和 HTTPS 协议时，该指令将被忽略。但建议使用空格
，支持的协议包括 HTTP 、因此更具体。HTTP 组块错误等）而无法抓取的 robots.txt 文件，如果连续 30 天以上无法访问 robots.txt
，为此，因此它只遵循组 1
。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，且无需进行网址编码 。Javascript 或元刷新型重定向）
。 如果为用户代理声明多个特定组，协议或端口号来说无效 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，