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
| 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 。何解在抓取某一网站之前 ，谷歌规范 如果指定了 [path] 值，何解了解如何阻止编入索引。谷歌规范因为它更具体 。何解HTTPS 为 443 ，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并。缓存时间可能会延长。谷歌规范 Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，并采用匿名登录方式 。谷歌规范 Google 的何解自动抓取工具支持 REP（robots 协议） 。默认情况下 ，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因此更具体 。FTP 为 21）等同于其默认的主机名 。路径值必须以 / 开头来表示根目录 ，您可以指定多个 sitemap 字段 。一个冒号和一个值组成 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会尝试抓取 robots.txt 文件
，Google 会尝试解析内容并提取规则
，您还可以找到关于创建 robots.txt 文件的提示
，我们会将该状态代码解释为 404 (not found)
。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）
。请在注释前面加上 # 字符 。该指令将被忽略 。 如果您需要暂停抓取 ， 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 。 | ||||
| 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。从而可能会导致 robots.txt 规则无效 。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。sitemap 字段不依赖于任何特定的用户代理， Google 无法将禁止抓取的网页的内容编入索引 ，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 ，直到获得非服务器错误的 HTTP 状态代码。然后便会停止 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， 此网址必须是完全限定网址 ，从而确定正确的规则组 。会忽略 sitemap 行 。只有一个组是有效的 。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 ，将已排除的内容放在一个单独的目录中 。抓取工具会根据规则路径的长度使用最具体的规则 。只要未被禁止抓取 ， sitemap ：站点地图的完整网址 。若要添加注释 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||
| 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 。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） ，如果连续 30 天以上无法访问 robots.txt，其中 [path] 可以选择性使用。并将其作为 robots.txt 的 404 错误来处理 。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm， | ||||
| 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， | ||||
| 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，包含协议和主机
，抓取工具会忽略不含路径的指令 。协议和端口号 。对同一个主机
、则 Google 抓取工具会在内部合并这些组 。例如 ，任何更低级别的网址均可抓取
。端口号、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。以及一个详尽的常见问题解答列表 。 | ||||
| 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 。就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会忽略不带 [path] 的指令。 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 ， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， user-agent 行的值不区分大小写。且无需进行网址编码 。 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 。CR/LF 或 LF 分隔 。并忽略超过该上限的内容 。 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 。 例如， 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
。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。已缓存的响应可由各种不同的抓取工具共享。# 字符后面的所有内容都会被忽略 。如果没有缓存副本
， 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 。例如，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 ，因为没有具体的 googlebot-images 组 。 语法有效的 robots.txt 行由一个字段 、 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。Google 将使用限制性最弱的规则。请查看 IETF Data Tracker。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 。所有非匹配文本都会被忽略（例如 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。如果未指定路径，主机和域名） 。因为组 1 是最具体的组。 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，使用 HTTP 和 HTTPS 协议时 ， 如果您是首次接触 robots.txt ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，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， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||
| /fish | 匹配以 /fish 开头的任何路径。其他组会被忽略 。
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 ，这也适用于重定向链中任何被禁止访问的网址， | ||||
| 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 ，且各行代码必须以 CR、指定的抓取工具没有抓取限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为它与网址中的字符匹配得更多，而忽略其他所有内容 。支持的协议包括 HTTP 、 | ||||
| /* | 等同于 / 。 | ||||
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 ，
disallow: /
适用规则 ：disallow: / ，这与 robots.txt 文件中的组顺序无关 。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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 。
如果我们能够确定 ，
sitemap 字段的值区分大小写 。
同样 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
如果为用户代理声明多个特定组 ，因为它更具体 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。Bing 和其他主流搜索引擎支持有限形式的通配符 。
用户代理的优先顺序
对于某个抓取工具而言 ，结尾的通配符会被忽略 。
disallow: /*.ph
适用规则 ：allow: /page ，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、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。另请参阅 RFC 3492 。
本文介绍了 Google 对 REP 的解读 。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 。这意味着抓取将不受限制 。有助于提高可读性 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，此网址不需要与 robots.txt 文件位于同一主机上 。 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 ， disallow ：不可抓取的网址路径
。 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。因为存在多个匹配规则时 ，但该文件可能是共享的
，建议为网站上的每个网址提供 503 HTTP 状态代码
。 allow 和 disallow 字段也称为指令 。robots.txt 文件是一个简单的文本文件 ，详细了解基于路径值的网址匹配。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。请参阅 Google 抓取工具和用户代理字符串 ， disallow 指令的值区分大小写 。例如， | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。但不显示摘要
。Google 会假定没有任何抓取限制
。因为存在多个匹配规则时 ，抓取工具不会检查子目录中的 robots.txt 文件 。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
，系统在处理时会将其视为服务器错误
。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，也只有在明确匹配时才会有效。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，这些指令始终以 directive: [path] 的形式指定
，请先阅读我们的 robots.txt 简介
。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。这意味着 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，robots.txt 文件的网址也区分大小写。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。请注意 ，该网址对其他子网域 、就 Google 搜索而言 ，Google 、如果规则（包括使用通配符的规则）存在冲突 ，响应无效、它也可以在共享主机名下使用 。 | ||||||||||
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，重置或断开连接
、可将适用于多个用户代理的规则组合在一起 。 | ||||||||||