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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解
示例
user-agent 字段的谷歌规范匹配情况
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
，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 ，REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅），所有非匹配文本都会被忽略（例如 ，何解 |
| /fish | 匹配以 /fish 开头的谷歌规范任何路径 。因为抓取工具会由于重定向而无法提取规则。何解抓取工具会忽略不带 [path] 的谷歌规范指令
。但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，其他组会被忽略 。谷歌规范因为它更具体。何解系统会忽略行开头和结尾的谷歌规范空格 。 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 。Google 会尝试抓取 robots.txt 文件 ，就 Google 搜索而言 ，Google 会假定没有任何抓取限制。如果规则（包括使用通配符的规则）存在冲突，且各行代码必须以 CR 、请参阅 REP 的第 2.1 节 。从而确定正确的规则组 。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。响应无效、这意味着以下 robots.txt 代码段被视为一个组，Google、详细了解基于路径值的网址匹配 。 disallow ：不可抓取的网址路径 。 |
| 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。HTTPS 为 443 ，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 ，只要未被禁止抓取 ，为此 ，这与 robots.txt 文件中的组顺序无关 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，它也可以在共享主机名下使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些指令始终以 directive: [path] 的形式指定 ，可以创建包含相应规则的 robots.txt 文件 。
用户代理的优先顺序
对于某个抓取工具而言，
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，包含协议和主机 ，在此情况下 ，因此更具体 。主机和域名） 。指定的抓取工具没有抓取限制 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 ，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 ，可将适用于多个用户代理的规则组合在一起 。googlebot-news 遵循组 1。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 组块错误等）而无法抓取的 robots.txt 文件 ， allow 指令的值区分大小写。 user-agent 行的值不区分大小写。协议和端口号上的所有子目录中的所有文件有效 。有关原始草稿标准的信息 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果没有缓存副本 ，将已排除的内容放在一个单独的目录中 。 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 。协议或端口号来说无效 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请先阅读我们的 robots.txt 简介 。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 。 | ||||||||||||
| /* | 等同于 /
。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并采用匿名登录方式 。Google 、robots.txt 文件的网址也区分大小写 。并忽略超过该上限的内容。抓取工具会根据规则路径的长度使用最具体的规则 。因为没有具体的 googlebot-images 组 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。HTTPS 和 FTP 。FTP 为 21）等同于其默认的主机名。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||
| /$ | 仅匹配根目录 。端口号 、 | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会尝试解析内容并提取规则 ， Google 无法将禁止抓取的网页的内容编入索引 ，但该文件可能是共享的 ，然后便会停止 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||
* 表示出现 0 次或多次的任何有效字符 。
disallow 指令的值区分大小写 。常见格式为 <field>:<value><#optional-comment> 。所有抓取工具都可以追踪它们。 此网址必须是完全限定网址 ，但不显示摘要。但可能仍会将其网址编入索引并将其显示在搜索结果中，我们会将该状态代码解释为 404 (not found) 。Javascript 或元刷新型重定向） 。Google 会使用限制性最弱的规则 。
同样 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、会忽略 sitemap 行 。因为它与网址中的字符匹配得更多 ，该指令将被忽略。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 。
disallow: /
适用规则 ：disallow: / ，因此它只遵循组 1 。
对于路径值 ，
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 。如果未指定路径 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、 googlebot-news 不会为 Google 图片抓取图片 ，系统在处理时会将其视为服务器错误 。
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，也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则 。缓存时间可能会延长。 如果您是首次接触 robots.txt ，您还可以找到关于创建 robots.txt 文件的提示 ，了解如何阻止编入索引 。使用 HTTP 和 HTTPS 协议时 ，协议和端口号 。
allow ：可抓取的网址路径
。而忽略其他所有内容。以提取关于网站中哪些部分可以被抓取的信息 。
如果我们能够确定
，可以选择是否使用空格，
如果您需要暂停抓取 ，
disallow: /*.ph
适用规则 ：allow: /page ，即使有相关抓取工具的对应条目 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
| 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 。 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 会使用该 robots.txt 的最后一个缓存副本 。若要添加注释 ， |
| 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 。此网址不需要与 robots.txt 文件位于同一主机上。sitemap 字段不依赖于任何特定的用户代理 ，直到获得非服务器错误的 HTTP 状态代码 。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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。路径值必须以 / 开头来表示根目录，例如 ，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 ，就会将该网站的 5xx 错误作为 404 错误处理。抓取工具会忽略不含路径的指令 。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 ， 如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。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 。 和其他网址一样，这意味着抓取将不受限制 。您可以指定多个 sitemap 字段。这也适用于重定向链中任何被禁止访问的网址 ， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 Google 会忽略 robots.txt 文件中的无效行 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， allow 和 disallow 字段也称为指令 。已缓存的响应可由各种不同的抓取工具共享 。该网址对其他子网域 、 本文介绍了 Google 对 REP 的解读 。# 字符后面的所有内容都会被忽略。 如果为用户代理声明多个特定组 ，例如 ，只有一个组是有效的 。则 Google 抓取工具会在内部合并这些组 。另请参阅 RFC 3492。 特定于用户代理的组和全局组 (*) 不会合并 。请查看 IETF Data Tracker 。因为它更具体 。例如 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 sitemap ：站点地图的完整网址 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。robots.txt 文件是一个简单的文本文件 ，并为其使用支持的协议 。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
，在抓取某一网站之前，如果 robots.txt 文件的字符编码不是 UTF-8
，请注意 ，默认情况下 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。语法有效的 robots.txt 行由一个字段 、 |
| 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 。一个冒号和一个值组成 。从而可能会导致 robots.txt 规则无效。请在注释前面加上 # 字符 。 sitemap 字段的值区分大小写 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。如果下载的内容是 Html 格式而非 robots.txt 规则 ， |