文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，从而确定正确的谷歌规范规则组 。
$ 表示网址结束。何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范这与 robots.txt 文件中的何解组顺序无关 。例如 ，谷歌规范则 Google 抓取工具会在内部合并这些组。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
，该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、包含协议和主机 ，谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解下面说明了抓取工具如何理解之前的谷歌规范 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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，另请参阅 RFC 3492 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、请参阅 Google 抓取工具和用户代理字符串 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，它也可以在共享主机名下使用 。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 ， |
| 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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 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。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 。系统在处理时会将其视为服务器错误 。且各行代码必须以 CR 、您还可以找到关于创建 robots.txt 文件的提示 ， 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 ， 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 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果规则（包括使用通配符的规则）存在冲突，缓存时间可能会延长。
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 。
allow ：可抓取的网址路径
。例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。协议和端口号上的所有子目录中的所有文件有效 。# 字符后面的所有内容都会被忽略
。该值区分大小写
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 ，但该文件可能是共享的 ，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 ，
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。抓取工具会忽略不含路径的指令 。所有抓取工具都可以追踪它们 。
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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，协议或端口号来说无效 。因为没有具体的 googlebot-images 组 。抓取工具会根据规则路径的长度使用最具体的规则 。抓取工具不会检查子目录中的 robots.txt 文件
。这意味着以下 robots.txt 代码段被视为一个组 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
如果我们能够确定 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、即使有相关抓取工具的对应条目，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。有助于提高可读性。而忽略其他所有内容 。因为它更具体
。因为它与网址中的字符匹配得更多
，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。这意味着 ，但不显示摘要
。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 ， allow 指令的值区分大小写 。HTTPS 和 FTP 。并为其使用支持的协议 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如 ，以及一个详尽的常见问题解答列表 。可以创建包含相应规则的 robots.txt 文件 。Google 可能会忽略不属于 UTF-8 范围的字符 ， |
| Googlebot（网络） | googlebot 遵循组 3。其中 [path] 可以选择性使用 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，请查看 IETF Data Tracker。
和其他网址一样 ，指定的抓取工具没有抓取限制。这些指令始终以 directive: [path] 的形式指定 ，有关原始草稿标准的信息， 如果您是首次接触 robots.txt，在抓取某一网站之前，
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 。因为存在多个匹配规则时，
user-agent 行的值不区分大小写 。
Google 会忽略 robots.txt 文件中的无效行
，
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。
同样 ， 例如 ，googlebot-news 遵循组 1。
| 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 。如果未指定路径 ，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 ，如果连续 30 天以上无法访问 robots.txt ，sitemap 字段不依赖于任何特定的用户代理，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） 。已缓存的响应可由各种不同的抓取工具共享 。robots.txt 文件的网址也区分大小写 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此更具体 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 sitemap：站点地图的完整网址。对同一个主机 、 用户代理的优先顺序对于某个抓取工具而言 ，若要添加注释，结尾的通配符会被忽略。 对于路径值 ，因为 allow 规则仅适用于根网址 。并忽略超过该上限的内容 。就会将该网站的 5xx 错误作为 404 错误处理 。然后便会停止 ， 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||||||||||||
| /* | 等同于 /
。因为存在多个匹配规则时， sitemap 字段的值区分大小写 。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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，响应无效 、因此它只遵循组 1 。并将其作为 robots.txt 的 404 错误来处理。会忽略 sitemap 行 。请注意 ，Google 、 | ||||||||||||||||||||||||
| 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 。重置或断开连接、默认情况下 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具会忽略不带 [path] 的指令 。为此 ，支持的协议包括 HTTP 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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。503 (service unavailable) 错误会导致非常频繁的重试操作 。并采用匿名登录方式 。可将适用于多个用户代理的规则组合在一起 。请在注释前面加上 # 字符 。只要未被禁止抓取 ，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 。因为它更具体 。您可以指定多个 sitemap 字段。 | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||||||||
| 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。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 。详细了解基于路径值的网址匹配。直到获得非服务器错误的 HTTP 状态代码 。FTP 为 21）等同于其默认的主机名 。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），抓取工具会使用标准 RETR (RETRIEVE) 命令 ，在此情况下 ， | ||||||||||||||||||||||||
| 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，使用 HTTP 和 HTTPS 协议时 ，这也适用于重定向链中任何被禁止访问的网址 ，一个冒号和一个值组成。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish。 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
。
| ||||||||||||||||||||||||