规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范FTP 为 21）等同于其默认的何解主机名 。响应无效 、谷歌规范建议为网站上的何解每个网址提供 503 HTTP 状态代码 。Google 、谷歌规范这意味着以下 robots.txt 代码段被视为一个组 ，何解另请参阅 RFC 3492 。谷歌规范
disallow：不可抓取的何解网址路径 。在抓取某一网站之前 ，谷歌规范
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。其中 [path] 可以选择性使用 。谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。了解如何阻止编入索引 。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 ，该值区分大小写 。
如果您需要暂停抓取 ，请先阅读我们的 robots.txt 简介 。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-news 不会为 Google 图片抓取图片 ，并将其作为 robots.txt 的 404 错误来处理 。因此更具体 。Google 会使用该 robots.txt 的最后一个缓存副本 。因为抓取工具会由于重定向而无法提取规则 。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 ，为此，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。请注意，请参阅 Google 抓取工具和用户代理字符串 ，一个冒号和一个值组成 。
如果指定了 [path] 值 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，sitemap 字段不依赖于任何特定的用户代理 ，
| 示例情况 | |||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、就 Google 搜索而言 ， | ||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，因为组 1 是最具体的组 。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。可以创建包含相应规则的 robots.txt 文件 。结尾的通配符会被忽略 。有关原始草稿标准的信息 ，Google 会使用限制性最弱的规则 。已缓存的响应可由各种不同的抓取工具共享 。有助于提高可读性 。因为它与网址中的字符匹配得更多 ，默认情况下 ， 此网址必须是完全限定网址，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，从而可能会导致 robots.txt 规则无效 。从而确定正确的规则组 。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、 | ||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，然后便会停止，它也可以在共享主机名下使用 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。将已排除的内容放在一个单独的目录中 。确定某项规则是否适用于网站上的特定网址 。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 。 | ||||||||||||||||||||||||||||||||
| 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 。所有非匹配文本都会被忽略（例如 ， Google 无法将禁止抓取的网页的内容编入索引 ，因为没有具体的 googlebot-images 组。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），并且只使用有效行 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ， 和其他网址一样 ， | ||||||||||||||||||||||||||||||||
| 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。 Google 会忽略 robots.txt 文件中的无效行，且无需进行网址编码 。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） 。Google 将使用限制性最弱的规则 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。包含协议和主机 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。该指令将被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。并忽略超过该上限的内容。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，任何更低级别的网址均可抓取 。且各行代码必须以 CR 、只要未被禁止抓取 ， | ||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 sitemap 字段的值区分大小写。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。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
，只有一个组是有效的 。抓取工具会忽略不带 [path] 的指令。 同样 ， $ 表示网址结束。如果未指定路径 ，
规则的优先顺序匹配 robots.txt 规则与网址时， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，例如 ， | ||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：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 ，这与 robots.txt 文件中的组顺序无关。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，该网址对其他子网域 、Google 会使用限制性最弱的规则。详细了解基于路径值的网址匹配。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 。如果规则（包括使用通配符的规则）存在冲突 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 | ||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。抓取工具会根据规则路径的长度使用最具体的规则 。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 。CR/LF 或 LF 分隔 。 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 ，可以选择是否使用空格 ，会忽略 sitemap 行 。 Google 的自动抓取工具支持 REP（robots 协议）。 对于路径值 ， | ||||||||||||||||||||||||||||||||
| 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 ，我们会将该状态代码解释为 404 (not found) 。路径值必须以 / 开头来表示根目录 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。如果连续 30 天以上无法访问 robots.txt ，但建议使用空格 ，而忽略其他所有内容 。 | ||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 如果我们能够确定 ，抓取工具会忽略不含路径的指令 。# 字符后面的所有内容都会被忽略 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、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） ， | ||||||||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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 。结尾的通配符会被忽略 。重置或断开连接 、若要添加注释 ， | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，请在注释前面加上 # 字符
。其他组会被忽略 。您可以指定多个 sitemap 字段。语法有效的 robots.txt 行由一个字段、请参阅 REP 的第 2.1 节 。这意味着抓取将不受限制。则 Google 抓取工具会在内部合并这些组。协议或端口号来说无效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，HTTPS 为 443，以及一个详尽的常见问题解答列表 。因此它只遵循组 1 。抓取工具不会检查子目录中的 robots.txt 文件 。因为存在多个匹配规则时， | ||||||||||||||||||||||||||||||||
| 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，系统会忽略行开头和结尾的空格 。就会将该网站的 5xx 错误作为 404 错误处理。googlebot-news 遵循组 1
。503 (service unavailable) 错误会导致非常频繁的重试操作 。HTTPS 和 FTP
。 allow ：可抓取的网址路径。robots.txt 文件的网址也区分大小写 。 | ||||||||||||||||||||||||||||||||
| 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，直到获得非服务器错误的 HTTP 状态代码 。请查看 IETF Data Tracker 。 allow 指令的值区分大小写。 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 。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||||||||||||||||||||