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 ， 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，何解
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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） ，请在注释前面加上 # 字符。这意味着以下 robots.txt 代码段被视为一个组 ，可以创建包含相应规则的 robots.txt 文件。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。CR/LF 或 LF 分隔 。503 (service unavailable) 错误会导致非常频繁的重试操作 。请查看 IETF Data Tracker。因此更具体。它也可以在共享主机名下使用。可以选择是否使用空格 ， | ||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。使用 HTTP 和 HTTPS 协议时 ，我们会将该状态代码解释为 404 (not found) 。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||||||
| 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
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会假定没有任何抓取限制 。 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 ，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 。 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 。 Google 无法将禁止抓取的网页的内容编入索引 ，已缓存的响应可由各种不同的抓取工具共享 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 此网址必须是完全限定网址 ， allow 和 disallow 字段也称为指令 。确定某项规则是否适用于网站上的特定网址 。路径值必须以 / 开头来表示根目录 ，就 Google 搜索而言 ， 对于路径值 ，所有抓取工具都可以追踪它们 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。例如 ，结尾的通配符会被忽略。 | ||||||||||||||||||||||||||||||||||||
| 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 。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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。并采用匿名登录方式 。其中 [path] 可以选择性使用 。因为它更具体 。有助于提高可读性。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果连续 30 天以上无法访问 robots.txt ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、这意味着抓取将不受限制 。抓取工具会忽略不含路径的指令 。Google 会尝试解析内容并提取规则 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。缓存时间可能会延长 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||||||||||||||
| 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，如果未指定路径 ，FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，您可以指定多个 sitemap 字段 。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。主机和域名） 。 | ||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，因为它与网址中的字符匹配得更多 ，抓取工具会忽略不带 [path] 的指令。且各行代码必须以 CR 、请参阅 REP 的第 2.1 节 。有关原始草稿标准的信息 ，Google 会使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||||||
| /* | 等同于 /
。在抓取某一网站之前， $ 表示网址结束。Google 、并为其使用支持的协议 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。协议和端口号。 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 ，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 ，任何更低级别的网址均可抓取 。为此 ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||||||||||||||||||||||||||
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。抓取工具不会检查子目录中的 robots.txt 文件。例如 ，因此它只遵循组 1。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 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、从而确定正确的规则组 。 特定于用户代理的组和全局组 (*) 不会合并 。 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 。# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
和其他网址一样 ，
allow 指令的值区分大小写 。这意味着 ，
同样 ，端口号 、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，但建议使用空格 ，系统会忽略行开头和结尾的空格 。支持的协议包括 HTTP、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
如果指定了 [path] 值 ，请参阅 Google 抓取工具和用户代理字符串，该值区分大小写 。即使有相关抓取工具的对应条目 ，也只有在明确匹配时才会有效。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 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。且无需进行网址编码 。
| 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 。该指令将被忽略 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，HTTPS 为 443 ，Google 会尝试抓取 robots.txt 文件，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: / ， 用户代理的优先顺序对于某个抓取工具而言，robots.txt 文件是一个简单的文本文件
，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为 allow 规则仅适用于根网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如
，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）
。 disallow 指令的值区分大小写 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，详细了解基于路径值的网址匹配 。