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，谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架、
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。因为抓取工具会由于重定向而无法提取规则 。谷歌规范sitemap 字段不依赖于任何特定的何解用户代理 ，
匹配项：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解响应无效 、谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。因为它更具体 。谷歌规范 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。何解以及一个详尽的谷歌规范常见问题解答列表。 disallow 指令的何解值区分大小写。Google 会使用限制性最弱的谷歌规范规则 。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） ，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 。 |
| /fish | 匹配以 /fish 开头的任何路径 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，任何更低级别的网址均可抓取 。googlebot-news 遵循组 1 。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 ，其中 [path] 可以选择性使用。详细了解基于路径值的网址匹配 。 sitemap ：站点地图的完整网址 。其他组会被忽略。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 本文介绍了 Google 对 REP 的解读。 |
| 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 。 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 。CR/LF 或 LF 分隔 。因为存在多个匹配规则时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ，该指令将被忽略。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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，这与 robots.txt 文件中的组顺序无关 。 |
| 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 ，例如 ，另请参阅 RFC 3492 。 $ 表示网址结束 。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 ，这也适用于重定向链中任何被禁止访问的网址 ，协议或端口号来说无效 。robots.txt 文件的网址也区分大小写 。抓取工具会忽略不含路径的指令。默认情况下 ，如果连续 30 天以上无法访问 robots.txt ， Google 的自动抓取工具支持 REP（robots 协议） 。也只有在明确匹配时才会有效。为此， 用户代理的优先顺序对于某个抓取工具而言，可以选择是否使用空格 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 如果您是首次接触 robots.txt
， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。如果未指定路径， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， 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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些指令始终以 directive: [path] 的形式指定 ， 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， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent 行的值不区分大小写 。
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 。会忽略 sitemap 行 。
和其他网址一样，请参阅 Google 抓取工具和用户代理字符串 ，
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 ，
语法
有效的 robots.txt 行由一个字段 、则 Google 抓取工具会在内部合并这些组 。并为其使用支持的协议 。请先阅读我们的 robots.txt 简介 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 。Google 将使用限制性最弱的规则 。抓取工具不会检查子目录中的 robots.txt 文件 。且无需进行网址编码 。这意味着以下 robots.txt 代码段被视为一个组 ，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 ，请在注释前面加上 # 字符 。
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 。就 Google 搜索而言 ，而忽略其他所有内容 。 特定于用户代理的组和全局组 (*) 不会合并 。503 (service unavailable) 错误会导致非常频繁的重试操作 。将已排除的内容放在一个单独的目录中 。对同一个主机 、Google 会尝试解析内容并提取规则 ，只要未被禁止抓取 ，我们会将该状态代码解释为 404 (not found)。以提取关于网站中哪些部分可以被抓取的信息 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，端口号 、
对于路径值 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。常见格式为 <field>:<value><#optional-comment> 。了解如何阻止编入索引 。
allow ：可抓取的网址路径 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但该文件可能是共享的 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。协议和端口号 。
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，但建议使用空格 ，例如，该值区分大小写。您还可以找到关于创建 robots.txt 文件的提示 ，一个冒号和一个值组成 。就会将该网站的 5xx 错误作为 404 错误处理。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） 。系统在处理时会将其视为服务器错误 。因此更具体 。因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||||||||||||
| 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 。已缓存的响应可由各种不同的抓取工具共享 。因为没有具体的 googlebot-images 组 。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 。 例如 ， 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。HTTPS 为 443 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，因为 allow 规则仅适用于根网址 。结尾的通配符会被忽略。您可以指定多个 sitemap 字段。 allow 和 disallow 字段也称为指令 。并忽略超过该上限的内容 。抓取工具会忽略不带 [path] 的指令 。抓取工具会根据规则路径的长度使用最具体的规则 。因为它更具体 。如果没有缓存副本， 此网址必须是完全限定网址 ，协议和端口号上的所有子目录中的所有文件有效 。有助于提高可读性。 | ||||||||||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。可以创建包含相应规则的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起 。请查看 IETF Data Tracker。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。确定某项规则是否适用于网站上的特定网址 。HTTPS 和 FTP 。路径值必须以 / 开头来表示根目录 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 、 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 ， | ||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。
| ||||||||||||||||||||||||||||||||||