用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解请在注释前面加上 # 字符 。谷歌规范在抓取某一网站之前 ，何解即使有相关抓取工具的谷歌规范对应条目 ，例如 ，何解
disallow 指令的谷歌规范值区分大小写 。
disallow: /
适用规则 ：disallow: / ，何解
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，结尾的谷歌规范通配符会被忽略。也只有在明确匹配时才会有效 。何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。# 字符后面的所有内容都会被忽略 。
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 。
| 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 。 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 。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 ，而忽略其他所有内容 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、请查看 IETF Data Tracker 。路径值必须以 / 开头来表示根目录，HTTPS 和 FTP。将已排除的内容放在一个单独的目录中 。Bing 和其他主流搜索引擎支持有限形式的通配符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， user-agent 行的值不区分大小写 。 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 ，主机和域名） 。该网址对其他子网域 、该值区分大小写 。常见格式为 <field>:<value><#optional-comment> 。因为它更具体 。 | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。重置或断开连接
、结尾的通配符会被忽略。所有抓取工具都可以追踪它们 。抓取工具会忽略不含路径的指令 。Google 将使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。Google 会尝试抓取 robots.txt 文件 ，以及一个详尽的常见问题解答列表 。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 。其中 [path] 可以选择性使用。已缓存的响应可由各种不同的抓取工具共享 。Google 、然后便会停止，只有一个组是有效的 。 Google 的自动抓取工具支持 REP（robots 协议） 。因为抓取工具会由于重定向而无法提取规则 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||||||||||||||||||||||||||||||||
| 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，HTTPS 为 443 ，如果 robots.txt 文件的字符编码不是 UTF-8
， allow 指令的值区分大小写 。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，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 ，但该文件可能是共享的，这与 robots.txt 文件中的组顺序无关 。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 ，这意味着 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、可以选择是否使用空格， 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，请参阅 Google 抓取工具和用户代理字符串 ，Google 、抓取工具会忽略不带 [path] 的指令 。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可将适用于多个用户代理的规则组合在一起。在此情况下 ， 此网址必须是完全限定网址 ，支持的协议包括 HTTP 、从而可能会导致 robots.txt 规则无效 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，并将其作为 robots.txt 的 404 错误来处理 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，503 (service unavailable) 错误会导致非常频繁的重试操作 。 例如 ，就会将该网站的 5xx 错误作为 404 错误处理 。CR/LF 或 LF 分隔 。且各行代码必须以 CR、 Google 会忽略 robots.txt 文件中的无效行 ， 和其他网址一样， 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 。详细了解基于路径值的网址匹配。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，因为它更具体。因为存在多个匹配规则时 ， 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 。请先阅读我们的 robots.txt 简介 。此网址不需要与 robots.txt 文件位于同一主机上。您还可以找到关于创建 robots.txt 文件的提示，就 Google 搜索而言 ， | ||||||||||||||||||||||||||||||||||||||||||||
| 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
。HTTP 组块错误等）而无法抓取的 robots.txt 文件，系统会忽略行开头和结尾的空格
。可以创建包含相应规则的 robots.txt 文件 。且无需进行网址编码 。 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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 allow 和 disallow 字段也称为指令 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 用户代理的优先顺序对于某个抓取工具而言 ，例如 ，为此 ， | ||||||||||||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
sitemap：站点地图的完整网址 。请参阅 REP 的第 2.1 节 。
如果指定了 [path] 值 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 。例如 ，因为组 1 是最具体的组 。 如果为用户代理声明多个特定组 ，默认情况下 ，但不显示摘要 。Google 会使用限制性最弱的规则 。有助于提高可读性 。我们会将该状态代码解释为 404 (not found)。如果没有缓存副本，了解如何阻止编入索引。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，从而确定正确的规则组 。 |
| 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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 会使用该 robots.txt 的最后一个缓存副本 。直到获得非服务器错误的 HTTP 状态代码 。这意味着抓取将不受限制 。因为 allow 规则仅适用于根网址 。如果规则（包括使用通配符的规则）存在冲突 ，抓取工具不会检查子目录中的 robots.txt 文件 。 |
| /$ | 仅匹配根目录 。并采用匿名登录方式。如果未指定路径 ， |