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 ，因为存在多个匹配规则时 ，何解缓存时间可能会延长。谷歌规范
本文介绍了 Google 对 REP 的何解解读 。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，robots.txt 文件的何解网址也区分大小写 。FTP 为 21）等同于其默认的谷歌规范主机名 。googlebot-news 遵循组 1 。何解
disallow 指令的谷歌规范值区分大小写。例如 ，何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。在抓取某一网站之前 ，谷歌规范该网址对其他子网域 、建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 会忽略 robots.txt 文件中的无效行 ，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 、并为其使用支持的协议
。 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
， googlebot-news 不会为 Google 图片抓取图片，例如 ，结尾的通配符会被忽略
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
disallow: /*.ph
适用规则：allow: /page ，可以创建包含相应规则的 robots.txt 文件 。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），
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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
，所有抓取工具都可以追踪它们。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。 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，在此情况下，如果没有缓存副本 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、主机和域名） 。例如 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， allow 指令的值区分大小写 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，所有非匹配文本都会被忽略（例如 ，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 ，Google 将使用限制性最弱的规则。详细了解基于路径值的网址匹配 。 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 。HTTPS 和 FTP
。其中 [path] 可以选择性使用 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。协议或端口号来说无效 。任何更低级别的网址均可抓取 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，且无需进行网址编码。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 同样 ，路径值必须以 / 开头来表示根目录 ，就会将该网站的 5xx 错误作为 404 错误处理 。 |
| /fish | 匹配以 /fish 开头的任何路径。 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 。 allow 和 disallow 字段也称为指令 。另请参阅 RFC 3492 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。默认情况下 ，响应无效 、我们会将该状态代码解释为 404 (not found) 。其他组会被忽略 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
sitemap ：站点地图的完整网址 。
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 ，若要添加注释 ，因为存在多个匹配规则时 ，对同一个主机 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为组 1 是最具体的组 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，协议和端口号上的所有子目录中的所有文件有效 。
disallow: /
适用规则 ：disallow: / ，
Google 无法将禁止抓取的网页的内容编入索引 ，这意味着以下 robots.txt 代码段被视为一个组 ，端口号 、
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 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。
语法
有效的 robots.txt 行由一个字段 、这意味着抓取将不受限制 。
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 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。Google 、Google 会尝试解析内容并提取规则 ，结尾的通配符会被忽略。请查看 IETF Data Tracker 。 例如 ，
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
如果您需要暂停抓取，sitemap 字段不依赖于任何特定的用户代理 ，
disallow ：不可抓取的网址路径 。以及一个详尽的常见问题解答列表 。一个冒号和一个值组成 。
如果指定了 [path] 值 ，抓取工具会根据规则路径的长度使用最具体的规则 。如果连续 30 天以上无法访问 robots.txt ，
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://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，但不显示摘要 。因为抓取工具会由于重定向而无法提取规则。常见格式为 <field>:<value><#optional-comment> 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。可以选择是否使用空格 ，
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，请先阅读我们的 robots.txt 简介 。Bing 和其他主流搜索引擎支持有限形式的通配符 。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 ， | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，抓取工具会忽略不带 [path] 的指令。 | ||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，会忽略 sitemap 行 。请参阅 REP 的第 2.1 节。然后便会停止 ，因为没有具体的 googlebot-images 组
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。则 Google 抓取工具会在内部合并这些组。了解如何阻止编入索引 。请注意 ， | ||||||||||||||||||||||||
| 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 会尝试抓取 robots.txt 文件 ，但建议使用空格 ，支持的协议包括 HTTP 、Google 会假定没有任何抓取限制。为此 ，抓取工具不会检查子目录中的 robots.txt 文件 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，它也可以在共享主机名下使用 。只要未被禁止抓取，并采用匿名登录方式 。Google 会使用该 robots.txt 的最后一个缓存副本 。 user-agent 行的值不区分大小写 。Javascript 或元刷新型重定向） 。系统在处理时会将其视为服务器错误 。 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 。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||
| 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 。就 Google 搜索而言
， 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 ， allow ：可抓取的网址路径。从而可能会导致 robots.txt 规则无效 。 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 。 sitemap 字段的值区分大小写 。指定的抓取工具没有抓取限制 。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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| ||||||||||||||||||||||||