user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范并忽略超过该上限的何解内容 。
| 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 |
| Googlebot Images | googlebot-images 遵循组 2 ，何解并为其使用支持的谷歌规范协议。以提取关于网站中哪些部分可以被抓取的信息 。因为它与网址中的字符匹配得更多 ，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 ，Google 会假定没有任何抓取限制 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为存在多个匹配规则时 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。在抓取某一网站之前 ， 同样， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
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 。
disallow: /
适用规则 ：allow: /$ ，这也适用于重定向链中任何被禁止访问的网址 ，因为存在多个匹配规则时 ，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 指令的值区分大小写。sitemap 字段不依赖于任何特定的用户代理 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
本文介绍了 Google 对 REP 的解读 。一个冒号和一个值组成 。# 字符后面的所有内容都会被忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。使用 HTTP 和 HTTPS 协议时 ，它也可以在共享主机名下使用。Google 将使用限制性最弱的规则 。其中 [path] 可以选择性使用 。
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。这意味着抓取将不受限制 。但不显示摘要。直到获得非服务器错误的 HTTP 状态代码 。其他组会被忽略 。Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 googlebot-news 不会为 Google 图片抓取图片
， 此网址必须是完全限定网址 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，如果未指定路径 ，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 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 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 。例如 ，Google 会使用限制性最弱的规则。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 。 | ||||||||||||||||||||||||||
| 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 。若要添加注释 ，googlebot-news 遵循组 1 。也只有在明确匹配时才会有效 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 如果指定了 [path] 值 ，这些指令始终以 directive: [path] 的形式指定 ，另请参阅 RFC 3492。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 、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，我们会将该状态代码解释为 404 (not found) 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。该网址对其他子网域、因为 allow 规则仅适用于根网址 。例如，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 。 | ||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。 user-agent 行的值不区分大小写 。 disallow：不可抓取的网址路径 。对同一个主机、因为没有具体的 googlebot-images 组 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。路径值必须以 / 开头来表示根目录 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， Google 会忽略 robots.txt 文件中的无效行 ， 和其他网址一样 ，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 ， Google 的自动抓取工具支持 REP（robots 协议） 。 $ 表示网址结束。将已排除的内容放在一个单独的目录中 。所有抓取工具都可以追踪它们 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，就会将该网站的 5xx 错误作为 404 错误处理。结尾的通配符会被忽略。Google 会使用限制性最弱的规则 。 如果为用户代理声明多个特定组，HTTPS 和 FTP 。 用户代理的优先顺序对于某个抓取工具而言 ，这与 robots.txt 文件中的组顺序无关 。且各行代码必须以 CR 、这意味着以下 robots.txt 代码段被视为一个组，可将适用于多个用户代理的规则组合在一起 。只有一个组是有效的 。 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||
| 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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。而忽略其他所有内容 。 | ||||||||||||||||||||||||||
| 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 。FTP 为 21）等同于其默认的主机名
。 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， 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中，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 。系统会忽略行开头和结尾的空格 。所有非匹配文本都会被忽略（例如， 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 。 对于路径值 ，抓取工具会根据规则路径的长度使用最具体的规则 。Javascript 或元刷新型重定向） 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。抓取工具不会检查子目录中的 robots.txt 文件 。了解如何阻止编入索引 。 allow 和 disallow 字段也称为指令 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。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 ， 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 。因为它更具体 。在此情况下 ，包含协议和主机 ， Google 无法将禁止抓取的网页的内容编入索引 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。即使有相关抓取工具的对应条目 ， | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 。 allow：可抓取的网址路径。抓取工具会忽略不带 [path] 的指令 。指定的抓取工具没有抓取限制 。任何更低级别的网址均可抓取。例如 ，例如，端口号
、 | ||||||||||||||||||||||||||