robots精确规范书写教程

规则是关于抓取工具可以抓取网站哪些部分的说明。向 robots.txt 文件中添加规则时，请遵循以下准则：

robots.txt 文件由一个或多个组（一组规则）组成。

每个组由多条规则（也称为指令）组成，每条规则各占一行。每个组都以 User-agent 行开头，该行指定了组适用的目标。

每个组包含以下信息：

组的适用对象（用户代理）

代理可以访问的目录或文件。

代理无法访问的目录或文件。

抓取工具会按从上到下的顺序处理组。一个用户代理只能匹配 1 个规则集（即与相应用户代理匹配的首个最具体组）。如果同一用户代理有多个组，这些组会在处理之前合并到一个组中。

系统的默认假设是：用户代理可以抓取所有未被 disallow 规则屏蔽的网页或目录。

规则区分大小写。例如，disallow: /file.asp 适用于 https://www.example.com/file.asp，但不适用于 https://www.example.com/FILE.asp。

# 字符表示注释的开始处。在处理过程中，系统会忽略注释。

Google 的抓取工具支持 robots.txt 文件中的以下规则：

user-agent: [必需，每个组需含一个或多个 User-agent 条目] 该规则指定了规则适用的自动客户端（即搜索引擎抓取工具）的名称。这是每个规则组的首行内容。Google 用户代理列表中列出了 Google 用户代理名称。使用星号 (*) 会匹配除各种 AdsBot 抓取工具之外的所有抓取工具，AdsBot 抓取工具必须明确指定。例如：

# Example 1: Block only Googlebot
User-agent: Googlebot
Disallow: /

# Example 2: Block Googlebot and Adsbot
User-agent: Googlebot
User-agent: AdsBot-Google
Disallow: /

# Example 3: Block all crawlers except AdsBot (AdsBot crawlers must be named explicitly)
User-agent: *
Disallow: /

disallow: [每条规则需含至少一个或多个 disallow 或 allow 条目] 您不希望用户代理抓取的目录或网页（相对于根网域而言）。如果规则引用了某个网页，则必须提供浏览器中显示的完整网页名称。它必须以 / 字符开头；如果它引用了某个目录，则必须以 / 标记结尾。

allow: [每条规则需含至少一个或多个 disallow 或 allow 条目] 上文中提到的用户代理可以抓取的目录或网页（相对于根网域而言）。此规则用于替换 disallow 规则，从而允许抓取已禁止访问的目录中的子目录或网页。对于单个网页，请指定浏览器中显示的完整网页名称。它必须以 / 字符开头；如果它引用了某个目录，则必须以 / 标记结尾。

sitemap: [可选，每个文件可含零个或多个 sitemap 条目] 相应网站的站点地图的位置。站点地图网址必须是完全限定的网址；Google 不会假定存在或检查是否存在 http、https、www、非 www 网址变体。站点地图是一种用于指示 Google 应抓取哪些内容的理想方式，但并不用于指示 Google 可以抓取或不能抓取哪些内容。详细了解站点地图。 示例：

Sitemap: https://example.com/sitemap.xml
Sitemap: https://www.example.com/sitemap.xml

除 sitemap 之外的所有规则都支持使用通配符 * 表示路径前缀、后缀或整个字符串。与这些规则均不匹配的行将被忽略。

实用的 robots.txt 规则

下面是一些常见的实用 robots.txt 规则：

1.禁止抓取整个网站

请注意，在某些情况下，Google 即使未抓取网站中的网址，仍可能将其编入索引。

注意：这不适用于各种 AdsBot 抓取工具，此类抓取工具必须明确指定。

规则写法如下：

User-agent: *
Disallow: /

2.禁止抓取某一目录及其内容

在目录名后添加一道正斜线，即可禁止抓取整个目录。

注意：请勿使用 robots.txt 禁止访问私密内容；请改用正确的身份验证机制。对于 robots.txt 文件所禁止抓取的网址，Google 仍可能会在不进行抓取的情况下将其编入索引；另外，由于 robots.txt 文件可供任何人随意查看，因此可能会泄露您的私密内容的位置。

规则写法如下：

User-agent: *
Disallow: /calendar/
Disallow: /junk/
Disallow: /books/fiction/contemporary/

3.仅允许某一抓取工具访问网站内容

只有 googlebot-news 可以抓取整个网站。

规则写法如下：

User-agent: Googlebot-news
Allow: /

User-agent: *
Disallow: /

4.允许除某一抓取工具以外的其他所有抓取工具访问网站内容

Unnecessarybot 不能抓取相应网站，所有其他漫游器都可以。

规则写法如下：

User-agent: Unnecessarybot
Disallow: /

User-agent: *
Allow: /

5.禁止抓取某一网页

例如，禁止抓取位于 https://example.com/useless_file.html 的 useless_file.html 页面和 junk 目录中的 other_useless_file.html。

规则写法如下：

User-agent: *
Disallow: /useless_file.html
Disallow: /junk/other_useless_file.html

6.禁止抓取除子目录以外的整个网站

抓取工具只能访问 public 子目录。

规则写法如下：

User-agent: *
Disallow: /
Allow: /public/

7.禁止 Google 图片访问某一特定图片

例如，禁止访问 dogs.jpg 图片。

规则写法如下：

User-agent: Googlebot-Image
Disallow: /images/dogs.jpg

8.禁止 Google 图片访问您网站上的所有图片

如果无法抓取图片和视频，则 Google 无法将其编入索引。

规则写法如下：

User-agent: Googlebot-Image
Disallow: /

9.禁止抓取某一特定文件类型的文件

例如，禁止抓取所有 .gif 文件。

规则写法如下：

User-agent: Googlebot
Disallow: /*.gif$

10.禁止抓取整个网站，但允许 Mediapartners-Google 访问内容

实施此规则会阻止您的网页显示在搜索结果中，但 Mediapartners-Google 网页抓取工具仍能分析这些网页，以确定要向访问您网站的用户显示哪些广告。

规则写法如下：

User-agent: *
Disallow: /

User-agent: Mediapartners-Google
Allow: /

11.使用 * 和 $ 通配符匹配以特定字符串结尾的网址

例如，禁止抓取所有 .xls 文件。

规则写法如下：

User-agent: Googlebot
Disallow: /*.xls$

本文链接：https://www.sxlog.com/post/1727.html