规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，何解会忽略 sitemap 行 。谷歌规范
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。
匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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。该网址对其他子网域 、
disallow 指令的值区分大小写 。
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，就 Google 搜索而言，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着抓取将不受限制 。协议和端口号 。然后便会停止 ，它也可以在共享主机名下使用。并采用匿名登录方式 。重置或断开连接 、 |
| 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。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 Google 的自动抓取工具支持 REP（robots 协议）。但不显示摘要 。 sitemap 字段的值区分大小写。 |
| Googlebot Images | googlebot-images 遵循组 2，以提取关于网站中哪些部分可以被抓取的信息 。但建议使用空格 ，只有一个组是有效的。Google 会尝试解析内容并提取规则，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，其他组会被忽略 。 同样 ，已缓存的响应可由各种不同的抓取工具共享 。 语法有效的 robots.txt 行由一个字段、如果下载的内容是 Html 格式而非 robots.txt 规则， 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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。因为它更具体 。因为没有具体的 googlebot-images 组 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| /$ | 仅匹配根目录。就会将该网站的 5xx 错误作为 404 错误处理。并为其使用支持的协议 。抓取工具会忽略不带 [path] 的指令 。结尾的通配符会被忽略 。HTTPS 为 443，缓存时间可能会延长 。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 、 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 、详细了解基于路径值的网址匹配 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、即使有相关抓取工具的对应条目 ， 如果指定了 [path] 值，Bing 和其他主流搜索引擎支持有限形式的通配符。所有抓取工具都可以追踪它们 。 用户代理的优先顺序对于某个抓取工具而言，请注意 ，可以选择是否使用空格 ，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 ，您可以指定多个 sitemap 字段 。如果规则（包括使用通配符的规则）存在冲突 ，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 。 user-agent 行的值不区分大小写 。请在注释前面加上 # 字符 。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 。从而确定正确的规则组 。 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 。因为存在多个匹配规则时， 如果您是首次接触 robots.txt ，系统会忽略行开头和结尾的空格 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、有助于提高可读性 。Google 会使用限制性最弱的规则 。 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 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。主机和域名） 。 |
| 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
， 如果为用户代理声明多个特定组 ， Google 会忽略 robots.txt 文件中的无效行 ，我们会将该状态代码解释为 404 (not found) 。 |
| /fish | 匹配以 /fish 开头的任何路径 。 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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。默认情况下
，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、# 字符后面的所有内容都会被忽略。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
不适用于 ： http://example.com/
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 。例如 ，您还可以找到关于创建 robots.txt 文件的提示 ，
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
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 ，如果没有缓存副本 ，因为存在多个匹配规则时，该值区分大小写。在此情况下 ，HTTPS 和 FTP 。为此 ， 特定于用户代理的组和全局组 (*) 不会合并 。CR/LF 或 LF 分隔 。因为组 1 是最具体的组 。
规则的优先顺序匹配 robots.txt 规则与网址时，例如 ，可将适用于多个用户代理的规则组合在一起 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||
| 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 。因此它只遵循组 1 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 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 。了解如何阻止编入索引 。 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 。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 ，因为它与网址中的字符匹配得更多 ， 对于路径值， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。如果未指定路径 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。且各行代码必须以 CR 、如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 、 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， Google 无法将禁止抓取的网页的内容编入索引 ，此网址不需要与 robots.txt 文件位于同一主机上 。并忽略超过该上限的内容 。503 (service unavailable) 错误会导致非常频繁的重试操作 。以及一个详尽的常见问题解答列表 。且无需进行网址编码 。该指令将被忽略。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||||||||||
| 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 ，系统在处理时会将其视为服务器错误。但该文件可能是共享的 ，Google 会使用限制性最弱的规则
。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 。任何更低级别的网址均可抓取 。抓取工具会根据规则路径的长度使用最具体的规则
。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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，其中 [path] 可以选择性使用 。支持的协议包括 HTTP 、Google 会尝试抓取 robots.txt 文件 ，例如 ， allow 指令的值区分大小写 。从而可能会导致 robots.txt 规则无效。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可以创建包含相应规则的 robots.txt 文件 。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 此网址必须是完全限定网址 ， | ||||||||||||||||||
disallow: /
适用规则 ：disallow: /，
disallow: /folder
适用规则 ：allow: /folder ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow: /*.ph
适用规则 ：allow: /page，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。结尾的通配符会被忽略 。对同一个主机 、 googlebot-news 不会为 Google 图片抓取图片 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 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。也只有在明确匹配时才会有效 。使用 HTTP 和 HTTPS 协议时 ，有关原始草稿标准的信息 ，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 ，相关灵感金鼓邀明月，围屋庆团圆！ 2025梅州市客家乡村中秋晚会精彩上演中国香港队将派出约580名运动员参加第20届亚运会2026贵阳国际网球公开赛：舒布拉泽获得女单冠军CIRP：2026年Q1 iPhone用户忠诚度87%，同比增长大侦探皮卡丘有彩蛋吗 大侦探皮卡丘彩蛋全部内容隐藏彩蛋解析【青春华章·长征路上山河新】从“红色遗址”到“绿色乡村”2026贵阳国际网球公开赛：舒布拉泽获得女单冠军夫妻误食曼陀罗是怎么回事？曼陀罗到底是药还是毒？ |