文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件，默认情况下 ，谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解则 Google 抓取工具会在内部合并这些组 。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
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，
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何解规则组 ：
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 ，
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，已缓存的何解响应可由各种不同的抓取工具共享。disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略。
allow 指令的何解值区分大小写 。其中 [path] 可以选择性使用 。谷歌规范
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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，将已排除的内容放在一个单独的目录中 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、请先阅读我们的 robots.txt 简介 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，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 、对同一个主机 、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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，端口号 、
allow 和 disallow 字段也称为指令 。此网址不需要与 robots.txt 文件位于同一主机上。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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
sitemap 字段的值区分大小写 。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。这与 robots.txt 文件中的组顺序无关 。有助于提高可读性。请参阅 REP 的第 2.1 节。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 。Google 将使用限制性最弱的规则 。
disallow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。详细了解基于路径值的网址匹配。 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 。
| 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。 |
| 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 。协议和端口号 。 |
| 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 。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 ，# 字符后面的所有内容都会被忽略。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。因为存在多个匹配规则时 ，HTTPS 和 FTP 。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 。 |
| 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 。 |
| Googlebot（网络） | googlebot 遵循组 3 。因此更具体 。 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
，任何更低级别的网址均可抓取。但建议使用空格 ，以提取关于网站中哪些部分可以被抓取的信息。从而可能会导致 robots.txt 规则无效。robots.txt 文件是一个简单的文本文件 ，sitemap 字段不依赖于任何特定的用户代理
，
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 。Google、会忽略 sitemap 行。
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 。
和其他网址一样 ，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。结尾的通配符会被忽略 。Google 会使用限制性最弱的规则。如果连续 30 天以上无法访问 robots.txt ，就 Google 搜索而言 ，robots.txt 文件的网址也区分大小写 。 例如 ，并采用匿名登录方式 。
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 。请注意 ，可以创建包含相应规则的 robots.txt 文件 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、这些指令始终以 directive: [path] 的形式指定 ，因为抓取工具会由于重定向而无法提取规则 。
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。例如 ，Javascript 或元刷新型重定向）
。例如， 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，建议为网站上的每个网址提供 503 HTTP 状态代码 。因为它与网址中的字符匹配得更多，在抓取某一网站之前 ， 用户代理的优先顺序对于某个抓取工具而言 ，所有非匹配文本都会被忽略（例如 ，响应无效 、 | ||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，请在注释前面加上 # 字符 。 对于路径值 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。所有抓取工具都可以追踪它们 。这也适用于重定向链中任何被禁止访问的网址，为此 ， 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 。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 ， | ||||||||||||||||||||||||||||||||||||||
| 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，在此情况下 ， 如果您需要暂停抓取 ， | ||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，因为它更具体 。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） 。系统会忽略行开头和结尾的空格。因为组 1 是最具体的组 。若要添加注释 ， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为它更具体 。这意味着抓取将不受限制 。抓取工具会忽略不带 [path] 的指令 。
| ||||||||||||||||||||||||||||||||||||||