| 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 什么是何解 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 ，为此 ，谷歌规范HTTPS 和 FTP 。何解
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， $ 表示网址结束 。googlebot-news 遵循组 1
。在抓取某一网站之前
， sitemap 字段的值区分大小写 。因为组 1 是最具体的组。Google 会使用限制性最弱的规则 。 sitemap ：站点地图的完整网址 。请参阅 REP 的第 2.1 节 。您还可以找到关于创建 robots.txt 文件的提示 ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent 行的值不区分大小写 。因为它与网址中的字符匹配得更多 ， | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，这也适用于重定向链中任何被禁止访问的网址 ，在此情况下，路径值必须以 / 开头来表示根目录 ， | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
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 。
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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。其中 [path] 可以选择性使用。如果下载的内容是 Html 格式而非 robots.txt 规则，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow ：不可抓取的网址路径 。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 。Javascript 或元刷新型重定向） 。
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。
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 ，
对于路径值 ，因为它更具体 。HTTPS 为 443 ，就 Google 搜索而言 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。所有非匹配文本都会被忽略（例如 ，这些指令始终以 directive: [path] 的形式指定 ，从而确定正确的规则组 。
disallow: /
适用规则 ：allow: /$ ，例如 ，
本文介绍了 Google 对 REP 的解读 。如果 robots.txt 文件的字符编码不是 UTF-8 ，而忽略其他所有内容 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果未指定路径 ，任何更低级别的网址均可抓取 。了解如何阻止编入索引 。以及一个详尽的常见问题解答列表。
disallow: /folder
适用规则 ：allow: /folder，Google 、系统会忽略行开头和结尾的空格 。
和其他网址一样
，
如果您需要暂停抓取 ，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 ，系统在处理时会将其视为服务器错误 。则 Google 抓取工具会在内部合并这些组 。
disallow 指令的值区分大小写 。Google 会使用限制性最弱的规则 。
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 。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 、如果连续 30 天以上无法访问 robots.txt ，
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。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow ：可抓取的网址路径 。但不显示摘要 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、并且只使用有效行 。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 。并采用匿名登录方式 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Google 会尝试抓取 robots.txt 文件，因为没有具体的 googlebot-images 组 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、例如 ，它也可以在共享主机名下使用 。
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，
Google 无法将禁止抓取的网页的内容编入索引 ，
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
如果指定了 [path] 值 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。您可以指定多个 sitemap 字段。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请查看 IETF Data Tracker 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。主机和域名）。
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
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 ，因为抓取工具会由于重定向而无法提取规则
。Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着以下 robots.txt 代码段被视为一个组
，只有一个组是有效的
。 Google 的自动抓取工具支持 REP（robots 协议） 。默认情况下 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 此网址必须是完全限定网址 ， 同样 ，协议和端口号。我们会将该状态代码解释为 404 (not found)。常见格式为 <field>:<value><#optional-comment> 。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 。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 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。此网址不需要与 robots.txt 文件位于同一主机上 。且各行代码必须以 CR、确定某项规则是否适用于网站上的特定网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为 allow 规则仅适用于根网址 。Google 会假定没有任何抓取限制。Google 将使用限制性最弱的规则 。抓取工具会根据规则路径的长度使用最具体的规则 。即使有相关抓取工具的对应条目 ，可将适用于多个用户代理的规则组合在一起 。请先阅读我们的 robots.txt 简介。另请参阅 RFC 3492 。 | ||||||||||||||||||||||
| 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 ，有关原始草稿标准的信息 ， 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。 | ||||||||||||||||||||||
| /* | 等同于 /。建议为网站上的每个网址提供 503 HTTP 状态代码。
继续学习科技金融加速跟进人工智能赛道快乐影视：开局调查夏家三千金快乐影视：开局调查夏家三千金快乐影视：开局调查夏家三千金泉台人力资源服务产业园项目运营合作正式签约传奇私服避坑指南：老玩家私藏的五个关键细节主播说丨女子晒苹果18 Pro订单，订单编号、物流单号一并暴露，不法分子凭物流单号冒领快递道恩股份披露2026年前三季度业绩预告 净利润同比预增117.38%~194.10% | ||||||||||||||||||||||