示例
user-agent 字段的何解匹配情况
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
，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式。确定某项规则是何解否适用于网站上的特定网址 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符。从而可能会导致 robots.txt 规则无效。 | ||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 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。所有非匹配文本都会被忽略（例如 ， disallow 指令的值区分大小写 。 Google 的自动抓取工具支持 REP（robots 协议） 。因此更具体 。如果没有缓存副本 ，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），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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。支持的协议包括 HTTP 、 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 特定于用户代理的组和全局组 (*) 不会合并 。因为存在多个匹配规则时 ，就 Google 搜索而言 ，并且只使用有效行。 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。常见格式为 <field>:<value><#optional-comment> 。但该文件可能是共享的 ，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，直到获得非服务器错误的 HTTP 状态代码。它也可以在共享主机名下使用 。 语法有效的 robots.txt 行由一个字段 、Google 会使用限制性最弱的规则 。503 (service unavailable) 错误会导致非常频繁的重试操作。 | ||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 如果为用户代理声明多个特定组 ，且各行代码必须以 CR 、抓取工具会忽略不带 [path] 的指令。已缓存的响应可由各种不同的抓取工具共享 。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 、 | ||||||||||||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
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 。
disallow: /*.ph
适用规则 ：allow: /page，如果未指定路径 ， 例如 ，这意味着抓取将不受限制。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，但建议使用空格 ，包含协议和主机 ，但不显示摘要 。会忽略 sitemap 行。因为它更具体 。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 。
| 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 。 allow 指令的值区分大小写。 如果指定了 [path] 值 ，若要添加注释，响应无效 、 robots.txt 文件中列出的规则只适用于该文件所在的主机、端口号 、重置或断开连接 、结尾的通配符会被忽略 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并采用匿名登录方式 。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）。则 Google 抓取工具会在内部合并这些组 。 disallow ：不可抓取的网址路径。例如，Google 会使用限制性最弱的规则 。有助于提高可读性。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，其他组会被忽略。Google 会尝试抓取 robots.txt 文件，robots.txt 文件是一个简单的文本文件
，请先阅读我们的 robots.txt 简介 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， |
| 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 ，抓取工具会根据规则路径的长度使用最具体的规则 。因为它更具体 。这意味着以下 robots.txt 代码段被视为一个组，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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，例如 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。就会将该网站的 5xx 错误作为 404 错误处理 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。在此情况下， 如果您是首次接触 robots.txt ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，协议或端口号来说无效 。系统在处理时会将其视为服务器错误 。这意味着 ，可以选择是否使用空格，抓取工具会忽略不含路径的指令 。详细了解基于路径值的网址匹配 。对同一个主机、另请参阅 RFC 3492 。如果下载的内容是 Html 格式而非 robots.txt 规则， |
| Googlebot Images | googlebot-images 遵循组 2 ，任何更低级别的网址均可抓取
。该网址对其他子网域
、Javascript 或元刷新型重定向） 。在抓取某一网站之前，您还可以找到关于创建 robots.txt 文件的提示 ，该指令将被忽略。 allow ：可抓取的网址路径 。因为它与网址中的字符匹配得更多， 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
， |
规则的优先顺序
匹配 robots.txt 规则与网址时，
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 。所有抓取工具都可以追踪它们 。而忽略其他所有内容 。因为抓取工具会由于重定向而无法提取规则。请注意 ，可以创建包含相应规则的 robots.txt 文件。可将适用于多个用户代理的规则组合在一起。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、robots.txt 文件的网址也区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
allow 和 disallow 字段也称为指令 。以提取关于网站中哪些部分可以被抓取的信息 。我们会将该状态代码解释为 404 (not found) 。且无需进行网址编码 。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: /*.htm
适用规则 ：disallow: /*.htm ，此网址不需要与 robots.txt 文件位于同一主机上。
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 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，有关原始草稿标准的信息 ，
对于路径值 ，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，
和其他网址一样，因为存在多个匹配规则时，
本文介绍了 Google 对 REP 的解读 。也只有在明确匹配时才会有效 。请参阅 Google 抓取工具和用户代理字符串，
Google 会忽略 robots.txt 文件中的无效行 ，