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 。
对于路径值 ，何解这意味着 ，谷歌规范可以创建包含相应规则的何解 robots.txt 文件。
allow ：可抓取的谷歌规范网址路径 。因为组 1 是何解最具体的组。请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。谷歌规范若要添加注释，支持的协议包括 HTTP、 | ||||||||||||||||||||||||||
| 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 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 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 。 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 。响应无效 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。但可能仍会将其网址编入索引并将其显示在搜索结果中， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，因为抓取工具会由于重定向而无法提取规则 。主机和域名） 。 | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。但建议使用空格， | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， sitemap ：站点地图的完整网址 。 allow 和 disallow 字段也称为指令 。我们会将该状态代码解释为 404 (not found) 。因此 user-agent a 和 b 均受 disallow: / 规则的影响 ： user-agent: a sitemap: https://example.com/sitemap.xml user-agent: b disallow: / 当抓取工具处理 robots.txt 规则时，并且只使用有效行 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、googlebot-news 遵循组 1
。端口号 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为存在多个匹配规则时 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件， | ||||||||||||||||||||||||||
| /* | 等同于 /
。该指令将被忽略 。因为存在多个匹配规则时，以及一个详尽的常见问题解答列表。然后便会停止，
规则的优先顺序匹配 robots.txt 规则与网址时 ，就 Google 搜索而言 ， | ||||||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。在此情况下 ，结尾的通配符会被忽略 。常见格式为 <field>:<value><#optional-comment> 。任何更低级别的网址均可抓取。包含协议和主机 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。例如 ， 例如： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，抓取工具会忽略不带 [path] 的指令 。从而确定正确的规则组 。 Google 的自动抓取工具支持 REP（robots 协议）。可将适用于多个用户代理的规则组合在一起。这意味着抓取将不受限制 。 例如 ： user-agent: a disallow: /c user-agent: b disallow: /d user-agent: e user-agent: f disallow: /g user-agent: h 此示例中有四个不同的规则组 ： 用户代理"a"为一组 用户代理"b"为一组 用户代理"e"和"f"为一组 用户代理"h"为一组 有关组的技术说明，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础， | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，但该文件可能是共享的 ，并忽略超过该上限的内容。 如果我们能够确定， | ||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。结尾的通配符会被忽略 。其他组会被忽略。所有抓取工具都可以追踪它们 。 disallow ：不可抓取的网址路径 。 如果为用户代理声明多个特定组
，HTTPS 和 FTP 。对同一个主机 、Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。CR/LF 或 LF 分隔 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， robots.txt 文件中列出的规则只适用于该文件所在的主机 、有关原始草稿标准的信息 ，抓取工具会忽略不含路径的指令 。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，请注意 ，但不显示摘要 。因为它更具体。了解如何阻止编入索引 。 Google 会忽略 robots.txt 文件中的无效行 ，缓存时间可能会延长 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 此网址必须是完全限定网址， | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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 、 user-agent 行的值不区分大小写。robots.txt 文件是一个简单的文本文件 ，协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 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 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，FTP 为 21）等同于其默认的主机名 。 特定于用户代理的组和全局组 (*) 不会合并 。重置或断开连接 、503 (service unavailable) 错误会导致非常频繁的重试操作 。如果没有缓存副本 ，已缓存的响应可由各种不同的抓取工具共享 。
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。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果下载的内容是 Html 格式而非 robots.txt 规则，因为没有具体的 googlebot-images 组 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，其中 [path] 可以选择性使用 。
allow 指令的值区分大小写
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因此它只遵循组 1。另请参阅 RFC 3492 。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 。
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，为此，可以选择是否使用空格 ，您还可以找到关于创建 robots.txt 文件的提示 ，因为 allow 规则仅适用于根网址 。 $ 表示网址结束 。 如果您是首次接触 robots.txt ， 用户代理的优先顺序对于某个抓取工具而言 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。例如 ， 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 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ，如果连续 30 天以上无法访问 robots.txt
，即使有相关抓取工具的对应条目
，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统在处理时会将其视为服务器错误 。# 字符后面的所有内容都会被忽略 。并将其作为 robots.txt 的 404 错误来处理 。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 ，一个冒号和一个值组成 。 | ||||
| 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 。抓取工具会根据规则路径的长度使用最具体的规则。Google 可能会忽略不属于 UTF-8 范围的字符，路径值必须以 / 开头来表示根目录，有助于提高可读性 。robots.txt 文件的网址也区分大小写 。例如 ， | ||||