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 ，但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ， 路径中的谷歌规范非 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
。对同一个主机 、何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的何解路径 。抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。默认情况下 ，何解 user-agent 行的谷歌规范值不区分大小写。REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅）， |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效。可以选择是何解否使用空格 ，也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。从而确定正确的规则组 。直到获得非服务器错误的 HTTP 状态代码 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，从而可能会导致 robots.txt 规则无效 。
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 ，指定的抓取工具没有抓取限制 。抓取工具会忽略不含路径的指令。也只有在明确匹配时才会有效 。googlebot-news 遵循组 1 。因为没有具体的 googlebot-images 组。
同样 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
disallow 指令的值区分大小写 。并采用匿名登录方式 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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， 例如 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
如果指定了 [path] 值，该指令将被忽略 。这意味着抓取将不受限制 。
# 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 ，该值区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，在抓取某一网站之前 ，
和其他网址一样 ，因为 allow 规则仅适用于根网址 。
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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。在此情况下 ，这些指令始终以 directive: [path] 的形式指定，另请参阅 RFC 3492 。
| 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 。主机和域名）
。这与 robots.txt 文件中的组顺序无关 。其他组会被忽略 。了解如何阻止编入索引 。 如果您需要暂停抓取 ，sitemap 字段不依赖于任何特定的用户代理 ， 特定于用户代理的组和全局组 (*) 不会合并。因为组 1 是最具体的组 。Google 会尝试抓取 robots.txt 文件 ，您还可以找到关于创建 robots.txt 文件的提示 ， sitemap 字段的值区分大小写 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，协议和端口号 。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 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、robots.txt 文件的网址也区分大小写 。
用户代理的优先顺序
对于某个抓取工具而言，有助于提高可读性 。Google 会使用该 robots.txt 的最后一个缓存副本 。常见格式为 <field>:<value><#optional-comment> 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会根据规则路径的长度使用最具体的规则 。以及一个详尽的常见问题解答列表 。协议或端口号来说无效 。
disallow: /
适用规则 ：allow: /$ ，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 robots.txt 文件的字符编码不是 UTF-8 ，
disallow: /
适用规则 ：disallow: / ，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。例如 ，若要添加注释 ，HTTPS 为 443 ，
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址
。 allow 和 disallow 字段也称为指令。且各行代码必须以 CR、Google 、 | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、路径值必须以 / 开头来表示根目录 ，详细了解基于路径值的网址匹配 。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 ， allow 指令的值区分大小写 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Javascript 或元刷新型重定向） 。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不带 [path] 的指令 。所有抓取工具都可以追踪它们 。这意味着 ，CR/LF 或 LF 分隔。 | ||||||||||
| 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 。系统会忽略行开头和结尾的空格 。 | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，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 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 对于路径值 ，请查看 IETF Data Tracker 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，协议和端口号上的所有子目录中的所有文件有效 。如果连续 30 天以上无法访问 robots.txt ， 语法有效的 robots.txt 行由一个字段、 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，使用 HTTP 和 HTTPS 协议时，例如，可以创建包含相应规则的 robots.txt 文件 。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 、将已排除的内容放在一个单独的目录中 。Google 会使用限制性最弱的规则 。有关原始草稿标准的信息 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 如果您是首次接触 robots.txt，例如， | ||||||||||
| /$ | 仅匹配根目录
。只有一个组是有效的。这也适用于重定向链中任何被禁止访问的网址 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具
。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||
| /*.php | 匹配包含 .php 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 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 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 。只要未被禁止抓取 ，Google 会假定没有任何抓取限制。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 Google 的自动抓取工具支持 REP（robots 协议）
。系统在处理时会将其视为服务器错误 。 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。因为存在多个匹配规则时 ，但该文件可能是共享的 ，并为其使用支持的协议 。 | ||||||||||
| 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 。我们会将该状态代码解释为 404 (not found) 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||
| 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 、 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，支持的协议包括 HTTP 、以提取关于网站中哪些部分可以被抓取的信息 。 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 ，然后便会停止，因为它与网址中的字符匹配得更多 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为抓取工具会由于重定向而无法提取规则。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/1.2 和 googlebot* 均等同于 googlebot） 。确定某项规则是否适用于网站上的特定网址 。结尾的通配符会被忽略。Google 抓取工具会下载并解析该网站的 robots.txt 文件，Google 将使用限制性最弱的规则 。并忽略超过该上限的内容 。但可能仍会将其网址编入索引并将其显示在搜索结果中，请注意 ，例如，Google 会尝试解析内容并提取规则 ，因为它更具体 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、HTTPS 和 FTP。
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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，会忽略 sitemap 行 。 如果我们能够确定 ，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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，该网址对其他子网域 、 本文介绍了 Google 对 REP 的解读 。则 Google 抓取工具会在内部合并这些组。 $ 表示网址结束 。 googlebot-news 不会为 Google 图片抓取图片，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 |
| /fish* | 等同于 /fish。结尾的通配符会被忽略
。 disallow ：不可抓取的网址路径。请在注释前面加上 # 字符 。且无需进行网址编码 。请参阅 REP 的第 2.1 节
。robots.txt 文件是一个简单的文本文件
，因此它只遵循组 1
。而忽略其他所有内容 。并且只使用有效行 。就 Google 搜索而言，请先阅读我们的 robots.txt 简介。就会将该网站的 5xx 错误作为 404 错误处理 。 |