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 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，响应无效 、请查看 IETF Data Tracker 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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。系统会忽略行开头和结尾的空格。并将其作为 robots.txt 的 404 错误来处理 。在抓取某一网站之前 ，Javascript 或元刷新型重定向） 。
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 。googlebot-news 遵循组 1 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果未指定路径 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，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 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。若要添加注释 ，robots.txt 文件的网址也区分大小写 。但该文件可能是共享的 ，这意味着 ，
disallow ：不可抓取的网址路径 。了解如何阻止编入索引 。所有抓取工具都可以追踪它们。
对于路径值 ，
disallow: /
适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。Google 会尝试解析内容并提取规则 ，可以选择是否使用空格 ，此网址不需要与 robots.txt 文件位于同一主机上 。从而可能会导致 robots.txt 规则无效 。结尾的通配符会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则，抓取工具不会检查子目录中的 robots.txt 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。该指令将被忽略 。如果没有缓存副本 ， 用户代理的优先顺序对于某个抓取工具而言 ， 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：
规则的优先顺序匹配 robots.txt 规则与网址时 ，因为抓取工具会由于重定向而无法提取规则 。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。 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 disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。HTTPS 和 FTP 。Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||||||||||
| 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。 | ||||||||||||||||||||||||
| 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。并忽略超过该上限的内容 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。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 。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。并为其使用支持的协议
。Google 会使用该 robots.txt 的最后一个缓存副本。 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， | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。只有一个组是有效的 。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， | ||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，因为它更具体 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 无法将禁止抓取的网页的内容编入索引 ，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） 。指定的抓取工具没有抓取限制 。
$ 表示网址结束 。您可以指定多个 sitemap 字段。例如，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。您还可以找到关于创建 robots.txt 文件的提示 ，协议和端口号 。
user-agent 行的值不区分大小写 。可将适用于多个用户代理的规则组合在一起 。 googlebot-news 不会为 Google 图片抓取图片 ，并采用匿名登录方式 。就会将该网站的 5xx 错误作为 404 错误处理 。
本文介绍了 Google 对 REP 的解读 。因为组 1 是最具体的组。Google 将使用限制性最弱的规则 。默认情况下 ，抓取工具会忽略不带 [path] 的指令 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。所有非匹配文本都会被忽略（例如 ，如果规则（包括使用通配符的规则）存在冲突， 例如
，Google 会使用限制性最弱的规则 。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、 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| 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 ， 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。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、主机和域名） 。 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 ，以及一个详尽的常见问题解答列表 。 如果为用户代理声明多个特定组 ，HTTPS 为 443 ，详细了解基于路径值的网址匹配 。 |
| 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
。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。 disallow 指令的值区分大小写 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。sitemap 字段不依赖于任何特定的用户代理
，因此它只遵循组 1 。请先阅读我们的 robots.txt 简介 。这意味着以下 robots.txt 代码段被视为一个组，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 ， Google 会忽略 robots.txt 文件中的无效行 ，可以创建包含相应规则的 robots.txt 文件。因为它与网址中的字符匹配得更多 ，只要未被禁止抓取 ， allow 指令的值区分大小写 。有助于提高可读性 。它也可以在共享主机名下使用 。 |
| 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 。包含协议和主机，也只有在明确匹配时才会有效 。另请参阅 RFC 3492。协议和端口号上的所有子目录中的所有文件有效 。 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 。请在注释前面加上 # 字符 。然后便会停止 ，并且只使用有效行 。对同一个主机 、 allow
：可抓取的网址路径 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，有关原始草稿标准的信息 ，端口号
、 如果您是首次接触 robots.txt ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，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，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， sitemap 字段的值区分大小写 。一个冒号和一个值组成 。如果 robots.txt 文件的字符编码不是 UTF-8 ，这与 robots.txt 文件中的组顺序无关。将已排除的内容放在一个单独的目录中 。Google 会假定没有任何抓取限制 。 如果指定了 [path] 值 ，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 ，常见格式为 <field>:<value><#optional-comment> 。建议为网站上的每个网址提供 503 HTTP 状态代码。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，直到获得非服务器错误的 HTTP 状态代码 。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
，这些指令始终以 directive: [path] 的形式指定 ，因为它更具体。 |
| /*.php | 匹配包含 .php 的任何路径 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。协议或端口号来说无效 。FTP 为 21）等同于其默认的主机名 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。支持的协议包括 HTTP 、 Google 的自动抓取工具支持 REP（robots 协议）。 sitemap ：站点地图的完整网址 。其中 [path] 可以选择性使用 。 语法有效的 robots.txt 行由一个字段 、这意味着抓取将不受限制。使用 HTTP 和 HTTPS 协议时 ， |
| /* | 等同于 /
。 如果您需要暂停抓取 ，其他组会被忽略 。 同样 ，因此更具体。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为存在多个匹配规则时 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，请参阅 Google 抓取工具和用户代理字符串 ，路径值必须以 / 开头来表示根目录 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， |