如果我们能够确定，何解会忽略 sitemap 行 。谷歌规范robots.txt 文件的何解网址也区分大小写 。结尾的谷歌规范通配符会被忽略 。Google 会尝试解析内容并提取规则 ，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 。谷歌规范也只有在明确匹配时才会有效。何解包含协议和主机 ，谷歌规范协议和端口号上的何解所有子目录中的所有文件有效 。例如 ，谷歌规范其中 [path] 可以选择性使用 。如果规则（包括使用通配符的规则）存在冲突 ， 此网址必须是完全限定网址 ，可将适用于多个用户代理的规则组合在一起 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，该网址对其他子网域 、缓存时间可能会延长 。从而确定正确的规则组 。如果连续 30 天以上无法访问 robots.txt ，例如 ，另请参阅 RFC 3492 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，其他组会被忽略。Google 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。抓取工具不会检查子目录中的 robots.txt 文件。 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 。如果 robots.txt 文件的字符编码不是 UTF-8 ， Google 会忽略 robots.txt 文件中的无效行 ，例如 ，请在注释前面加上 # 字符 。HTTPS 为 443， | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，请查看 IETF Data Tracker 。 同样 ，抓取工具会忽略不带 [path] 的指令 。以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||||
| /$ | 仅匹配根目录
。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 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，只要未被禁止抓取 ，抓取工具会根据规则路径的长度使用最具体的规则。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 ，因为它更具体 。因为它更具体 。 sitemap ：站点地图的完整网址 。在此情况下 ，您可以指定多个 sitemap 字段。 | ||||||||||||||||||||||
| 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。默认情况下 ， 如果为用户代理声明多个特定组 ，且无需进行网址编码 。可以选择是否使用空格， 对于路径值 ，就 Google 搜索而言 ，系统会忽略行开头和结尾的空格 。并忽略超过该上限的内容 。 | ||||||||||||||||||||||
| 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 ，如果未指定路径
，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 ，只有一个组是有效的。FTP 为 21）等同于其默认的主机名 。因为 allow 规则仅适用于根网址
。若要添加注释
， | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 googlebot-news 不会为 Google 图片抓取图片 ，因为存在多个匹配规则时， | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，且各行代码必须以 CR、然后便会停止 ， 和其他网址一样 ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||||||||
| 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 。它也可以在共享主机名下使用 。 | ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可以创建包含相应规则的 robots.txt 文件 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 将使用限制性最弱的规则 。详细了解基于路径值的网址匹配。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||||||||||||
| 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 。因为它与网址中的字符匹配得更多 ，有助于提高可读性 。直到获得非服务器错误的 HTTP 状态代码 。但该文件可能是共享的 ， sitemap 字段的值区分大小写 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。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 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，但不显示摘要 。HTTPS 和 FTP。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。但建议使用空格，协议和端口号 。所有抓取工具都可以追踪它们 。 如果指定了 [path] 值，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 、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 ， disallow：不可抓取的网址路径。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 。 | ||||||||||||||||||||||
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
allow 指令的值区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引，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 ，
disallow 指令的值区分大小写 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，结尾的通配符会被忽略 。并为其使用支持的协议 。 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 。了解如何阻止编入索引 。因为抓取工具会由于重定向而无法提取规则 。常见格式为 <field>:<value><#optional-comment> 。并且只使用有效行 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ， | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果您是首次接触 robots.txt，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。Google 会尝试抓取 robots.txt 文件
，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，确定某项规则是否适用于网站上的特定网址 。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
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。