匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范系统在处理时会将其视为服务器错误 。从而可能会导致 robots.txt 规则无效。例如 ，
disallow: /
适用规则：allow: /$ ，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，有关原始草稿标准的信息，并且只使用有效行 。请在注释前面加上 # 字符 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果没有缓存副本 ，因为抓取工具会由于重定向而无法提取规则 。 googlebot-news 不会为 Google 图片抓取图片，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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，且各行代码必须以 CR、且无需进行网址编码 。Google 将使用限制性最弱的规则 。
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 ，
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。robots.txt 文件是一个简单的文本文件 ，该值区分大小写 。如果连续 30 天以上无法访问 robots.txt ，请注意 ，
如果指定了 [path] 值 ，
和其他网址一样 ，可将适用于多个用户代理的规则组合在一起 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，缓存时间可能会延长 。
disallow ：不可抓取的网址路径 。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 ，协议或端口号来说无效 。
disallow: /folder
适用规则 ：allow: /folder ，端口号 、并忽略超过该上限的内容 。该指令将被忽略 。
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。常见格式为 <field>:<value><#optional-comment>。就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具不会检查子目录中的 robots.txt 文件 。抓取工具会忽略不含路径的指令 。该网址对其他子网域 、因为组 1 是最具体的组。Google 会使用限制性最弱的规则。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 ，另请参阅 RFC 3492 。其中 [path] 可以选择性使用 。 | ||||
| /$ | 仅匹配根目录 。因此它只遵循组 1 。 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 ， 特定于用户代理的组和全局组 (*) 不会合并。Google、从而确定正确的规则组。请查看 IETF Data Tracker。 sitemap ：站点地图的完整网址 。然后便会停止，但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时）， | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 同样 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），并采用匿名登录方式。 allow 指令的值区分大小写 。您可以指定多个 sitemap 字段 。 语法有效的 robots.txt 行由一个字段 、 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 对于路径值 ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，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 ，协议和端口号 。 | ||||
| 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 。 | ||||
| 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。 allow 和 disallow 字段也称为指令 。因此更具体 。Google 可能会忽略不属于 UTF-8 范围的字符 ，# 字符后面的所有内容都会被忽略 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。详细了解基于路径值的网址匹配 。建议为网站上的每个网址提供 503 HTTP 状态代码。 Google 无法将禁止抓取的网页的内容编入索引 ，也只有在明确匹配时才会有效 。支持的协议包括 HTTP 、以及一个详尽的常见问题解答列表 。因为它更具体 。 本文介绍了 Google 对 REP 的解读 。并将其作为 robots.txt 的 404 错误来处理 。因为它更具体。这与 robots.txt 文件中的组顺序无关 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||
| 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 ，因为存在多个匹配规则时 ，googlebot-news 遵循组 1
。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 。例如 ， | ||||
| 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 会尝试解析内容并提取规则，您还可以找到关于创建 robots.txt 文件的提示 ，sitemap 字段不依赖于任何特定的用户代理 ， 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 ，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 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可以创建包含相应规则的 robots.txt 文件。就 Google 搜索而言 ，例如 ，
如果为用户代理声明多个特定组 ，所有非匹配文本都会被忽略（例如 ，已缓存的响应可由各种不同的抓取工具共享 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
$ 表示网址结束。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 如果您是首次接触 robots.txt，任何更低级别的网址均可抓取 。
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 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 。系统会忽略行开头和结尾的空格。HTTPS 为 443 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。Bing 和其他主流搜索引擎支持有限形式的通配符。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，对同一个主机 、因为没有具体的 googlebot-images 组 。Google 会假定没有任何抓取限制 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。其他组会被忽略 。 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 。HTTPS 和 FTP。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，但该文件可能是共享的 ，Google 会尝试抓取 robots.txt 文件， 用户代理的优先顺序对于某个抓取工具而言，将已排除的内容放在一个单独的目录中 。 |
| 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 。有助于提高可读性。如果规则（包括使用通配符的规则）存在冲突 ，请参阅 REP 的第 2.1 节 。 |
| 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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但建议使用空格，请先阅读我们的 robots.txt 简介 。 |
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
disallow: /*.htm
适用规则 ：disallow: /*.htm，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
sitemap 字段的值区分大小写。
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 。例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /
适用规则 ：disallow: /，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 。为此 ，这意味着 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果 robots.txt 文件的字符编码不是 UTF-8 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
| 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 。 例如 ， disallow 指令的值区分大小写 。 | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。请参阅 Google 抓取工具和用户代理字符串， 如果您需要暂停抓取 ，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 、这意味着抓取将不受限制 。协议和端口号上的所有子目录中的所有文件有效 。但不显示摘要 。会忽略 sitemap 行 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。指定的抓取工具没有抓取限制 。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 。在此情况下 ， | ||||||