用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片，何解对同一个主机 、谷歌规范
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。Google 会使用限制性最弱的谷歌规范规则 。结尾的何解通配符会被忽略。CR/LF 或 LF 分隔 。谷歌规范
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，
| 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 。谷歌规范默认情况下，何解另请参阅 RFC 3492 。谷歌规范503 (service unavailable) 错误会导致非常频繁的何解重试操作 。下面说明了抓取工具如何理解之前的谷歌规范 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 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。何解 Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 user-agent 行的值不区分大小写 。若要添加注释 ， |
| /fish | 匹配以 /fish 开头的任何路径 。请参阅 Google 抓取工具和用户代理字符串 ， 本文介绍了 Google 对 REP 的解读 。只有一个组是有效的 。因为组 1 是最具体的组 。 |
| 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 。 |
| 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 。 Google 无法将禁止抓取的网页的内容编入索引，抓取工具会忽略不带 [path] 的指令 。这意味着以下 robots.txt 代码段被视为一个组 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 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 ，有关原始草稿标准的信息，已缓存的响应可由各种不同的抓取工具共享 。 sitemap 字段的值区分大小写
。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 。包含协议和主机 ，任何更低级别的网址均可抓取 。请参阅 REP 的第 2.1 节 。 |
| /*.php | 匹配包含 .php 的任何路径 。 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，详细了解基于路径值的网址匹配 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，因为没有具体的 googlebot-images 组 。并且只使用有效行 。这与 robots.txt 文件中的组顺序无关 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 如果我们能够确定 ，因为存在多个匹配规则时 ，HTTPS 为 443 ，指定的抓取工具没有抓取限制 。# 字符后面的所有内容都会被忽略 。并为其使用支持的协议 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果没有缓存副本 ，这也适用于重定向链中任何被禁止访问的网址 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 特定于用户代理的组和全局组 (*) 不会合并 。协议和端口号。 |
| Googlebot（网络） | googlebot 遵循组 3。抓取工具会忽略不含路径的指令 。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。 robots.txt 文件中列出的规则只适用于该文件所在的主机、常见格式为 <field>:<value><#optional-comment> 。例如 ，但该文件可能是共享的 ， 对于路径值 ， disallow 指令的值区分大小写 。主机和域名） 。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 。Bing 和其他主流搜索引擎支持有限形式的通配符。从而可能会导致 robots.txt 规则无效。因为它与网址中的字符匹配得更多 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，结尾的通配符会被忽略 。 Google 会忽略 robots.txt 文件中的无效行 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请在注释前面加上 # 字符。HTTPS 和 FTP。如果规则（包括使用通配符的规则）存在冲突 ，这意味着抓取将不受限制 。请查看 IETF Data Tracker 。googlebot-news 遵循组 1 。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 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。
allow 和 disallow 字段也称为指令 。只要未被禁止抓取 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。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，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，从而确定正确的规则组 。重置或断开连接 、
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。因此它只遵循组 1 。但建议使用空格 ，FTP 为 21）等同于其默认的主机名 。
如果为用户代理声明多个特定组，
disallow: /folder
适用规则：allow: /folder ，
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 ，Google 会假定没有任何抓取限制 。系统在处理时会将其视为服务器错误 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||
| /* | 等同于 / 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。然后便会停止 ，该网址对其他子网域 、 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，这意味着 ，其他组会被忽略 。确定某项规则是否适用于网站上的特定网址。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ， | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，您还可以找到关于创建 robots.txt 文件的提示 ，因此 user-agent a 和 b 均受 disallow: / 规则的影响： user-agent: a sitemap: https://example.com/sitemap.xml user-agent: b disallow: / 当抓取工具处理 robots.txt 规则时 ， | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会使用该 robots.txt 的最后一个缓存副本 。您可以指定多个 sitemap 字段 。 | ||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的 Punycode 版本。可以选择是否使用空格，robots.txt 文件的网址也区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，则 Google 抓取工具会在内部合并这些组。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。协议或端口号来说无效 。有助于提高可读性 。以及一个详尽的常见问题解答列表 。 例如 ， | ||||||||||||||||||
| /$ | 仅匹配根目录 。且各行代码必须以 CR 、 | ||||||||||||||||||
| 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
，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，在此情况下 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为 allow 规则仅适用于根网址。 | ||||||||||||||||||
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，
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 ：可抓取的网址路径 。因为它更具体 。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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
sitemap ：站点地图的完整网址 。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），路径值必须以 / 开头来表示根目录 ，
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 。使用 HTTP 和 HTTPS 协议时，
disallow: /
适用规则 ：disallow: /，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。为此
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、系统会忽略行开头和结尾的空格。直到获得非服务器错误的 HTTP 状态代码。Google 会使用限制性最弱的规则 。
同样 ，该值区分大小写 。Google 、
和其他网址一样 ，
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，robots.txt 文件是一个简单的文本文件，并采用匿名登录方式 。
Google 的自动抓取工具支持 REP（robots 协议） 。如果连续 30 天以上无法访问 robots.txt ，一个冒号和一个值组成 。端口号 、将已排除的内容放在一个单独的目录中 。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） 。抓取工具会根据规则路径的长度使用最具体的规则 。也只有在明确匹配时才会有效 。其中 [path] 可以选择性使用 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ，
$ 表示网址结束
。所有抓取工具都可以追踪它们。