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， |
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 不适用于： http://example.com/ 非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效。包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ， |
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，sitemap 字段不依赖于任何特定的谷歌规范用户代理，
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的何解 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。并且只使用有效行 。谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。 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 ，何解HTTPS 和 FTP 。谷歌规范 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。协议或端口号来说无效 。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、如果未指定路径 ， sitemap 字段的值区分大小写 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。系统在处理时会将其视为服务器错误 。 例如，其中 [path] 可以选择性使用 。会忽略 sitemap 行 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。此网址不需要与 robots.txt 文件位于同一主机上 。可以选择是否使用空格 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，常见格式为 <field>:<value><#optional-comment> 。因为存在多个匹配规则时，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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
disallow: /*.htm
适用规则：disallow: /*.htm ，
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 。使用 HTTP 和 HTTPS 协议时 ，结尾的通配符会被忽略 。抓取工具会忽略不带 [path] 的指令 。就会将该网站的 5xx 错误作为 404 错误处理 。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，该指令将被忽略。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为它更具体 。
disallow: /
适用规则 ：allow: /$ ，其他组会被忽略 。
disallow 指令的值区分大小写 。Google 会使用该 robots.txt 的最后一个缓存副本 。
$ 表示网址结束 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具不会检查子目录中的 robots.txt 文件。Google 可能会忽略不属于 UTF-8 范围的字符，所有抓取工具都可以追踪它们 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，详细了解基于路径值的网址匹配。
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 ，主机和域名）。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，Bing 和其他主流搜索引擎支持有限形式的通配符 。
本文介绍了 Google 对 REP 的解读。
如果指定了 [path] 值，
disallow: /
适用规则 ：disallow: / ，并忽略超过该上限的内容 。了解如何阻止编入索引 。因为它与网址中的字符匹配得更多，这意味着抓取将不受限制 。已缓存的响应可由各种不同的抓取工具共享。只要未被禁止抓取 ，包含协议和主机 ，从而确定正确的规则组 。我们会将该状态代码解释为 404 (not found) 。因为抓取工具会由于重定向而无法提取规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请在注释前面加上 # 字符。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 、重置或断开连接 、有关原始草稿标准的信息 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，端口号 、
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
对于路径值 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，若要添加注释 ，这意味着以下 robots.txt 代码段被视为一个组 ，然后便会停止 ，Javascript 或元刷新型重定向） 。但建议使用空格 ，
disallow: /*.ph
适用规则 ：allow: /page ，这意味着，且各行代码必须以 CR 、您还可以找到关于创建 robots.txt 文件的提示 ，
如果为用户代理声明多个特定组 ，
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 ，
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
。抓取工具会忽略不含路径的指令
。 googlebot-news 不会为 Google 图片抓取图片，而忽略其他所有内容 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent 行的值不区分大小写 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，指定的抓取工具没有抓取限制。
| 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，CR/LF 或 LF 分隔 。 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，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 。请注意 ，协议和端口号 。建议为网站上的每个网址提供 503 HTTP 状态代码 。对同一个主机 、 allow ：可抓取的网址路径 。 Google 会忽略 robots.txt 文件中的无效行 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，也只有在明确匹配时才会有效 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这与 robots.txt 文件中的组顺序无关 。只有一个组是有效的 。在此情况下， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 和其他网址一样 ， 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 。例如， disallow：不可抓取的网址路径 。Google 会假定没有任何抓取限制。响应无效 、因为存在多个匹配规则时 ， |
| 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 。语法有效的 robots.txt 行由一个字段 、就 Google 搜索而言 ， 同样 ，robots.txt 文件是一个简单的文本文件 ， 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 。因为没有具体的 googlebot-images 组 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。该值区分大小写
。 特定于用户代理的组和全局组 (*) 不会合并。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） 。Google 、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 ， |
# 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 ，则 Google 抓取工具会在内部合并这些组 。
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
如果我们能够确定 ，支持的协议包括 HTTP、
allow 指令的值区分大小写 。 此网址必须是完全限定网址 ，Google 会使用限制性最弱的规则 。
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 。可以创建包含相应规则的 robots.txt 文件 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
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 。为此，googlebot-news 遵循组 1 。并采用匿名登录方式 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 。该网址对其他子网域、
allow 和 disallow 字段也称为指令。robots.txt 文件的网址也区分大小写 。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 。
sitemap ：站点地图的完整网址 。 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 。因为它更具体 。请参阅 Google 抓取工具和用户代理字符串 ，因为组 1 是最具体的组 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。 如果您需要暂停抓取 ，有助于提高可读性 。缓存时间可能会延长 。FTP 为 21）等同于其默认的主机名。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。
| ||||||