如果您需要暂停抓取 ，何解它也可以在共享主机名下使用 。谷歌规范
| 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 。何解 | ||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，何解 Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、例如 ，何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，因为它与网址中的何解字符匹配得更多 ， $ 表示网址结束 。谷歌规范这也适用于重定向链中任何被禁止访问的何解网址， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。结尾的何解通配符会被忽略 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是谷歌规范有效的 robots.txt 文件。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。重置或断开连接 、 | ||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。如果未指定路径 ，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
。Google 会尝试解析内容并提取规则 ，有助于提高可读性
。 | ||||||||||||||||||||||||||||||||||||
| 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 ，在抓取某一网站之前 ，结尾的通配符会被忽略 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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 ，抓取工具不会检查子目录中的 robots.txt 文件 。 此网址必须是完全限定网址，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。并忽略超过该上限的内容 。Google 可能会忽略不属于 UTF-8 范围的字符 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关。详细了解基于路径值的网址匹配 。并为其使用支持的协议 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， allow 和 disallow 字段也称为指令 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。抓取工具会忽略不带 [path] 的指令。 | ||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、就会将该网站的 5xx 错误作为 404 错误处理
。因为它更具体
。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，googlebot-news 遵循组 1 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。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 。就 Google 搜索而言 ，使用 HTTP 和 HTTPS 协议时 ，# 字符后面的所有内容都会被忽略 。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 。包含协议和主机 ，请在注释前面加上 # 字符 。 | ||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。HTTPS 为 443 ， | ||||||||||||||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。 如果指定了 [path] 值 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 | ||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。FTP 为 21）等同于其默认的主机名。 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 。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 ， Google 的自动抓取工具支持 REP（robots 协议） 。即使有相关抓取工具的对应条目 ， 和其他网址一样 ，您可以指定多个 sitemap 字段 。 | ||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，如果下载的内容是 Html 格式而非 robots.txt 规则 ，路径值必须以 / 开头来表示根目录 ，可以选择是否使用空格 ，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，但建议使用空格 ，然后便会停止 ， 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， 如果您是首次接触 robots.txt ，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 ，所有抓取工具都可以追踪它们 。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 ，抓取工具会根据规则路径的长度使用最具体的规则。 | ||||||||||||||||||||||||||||||||||||
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。另请参阅 RFC 3492 。 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 ，该网址对其他子网域、协议和端口号 。响应无效 、Bing 和其他主流搜索引擎支持有限形式的通配符 。robots.txt 文件是一个简单的文本文件 ，其中 [path] 可以选择性使用。则 Google 抓取工具会在内部合并这些组 。因此更具体 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这意味着抓取将不受限制 。并采用匿名登录方式 。将已排除的内容放在一个单独的目录中
。
如果我们能够确定 ，一个冒号和一个值组成
。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统会忽略行开头和结尾的空格 。确定某项规则是否适用于网站上的特定网址 。常见格式为 <field>:<value><#optional-comment> 。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 ，
同样 ，因为存在多个匹配规则时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，但该文件可能是共享的 ，因为抓取工具会由于重定向而无法提取规则 。也只有在明确匹配时才会有效 。此网址不需要与 robots.txt 文件位于同一主机上。
| 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 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。会忽略 sitemap 行 。而忽略其他所有内容。 |
| 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 。 |