以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范因为存在多个匹配规则时，何解
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范可将适用于多个用户代理的何解规则组合在一起 。且无需进行网址编码 。谷歌规范 googlebot-news 不会为 Google 图片抓取图片 ，FTP 为 21）等同于其默认的主机名 。并采用匿名登录方式。 allow：可抓取的网址路径 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。该指令将被忽略。因为存在多个匹配规则时 ，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 ，就 Google 搜索而言 ，抓取工具会根据规则路径的长度使用最具体的规则 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、以及一个详尽的常见问题解答列表 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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， | ||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。
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
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、并忽略超过该上限的内容 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，这意味着以下 robots.txt 代码段被视为一个组 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。重置或断开连接 、
disallow 指令的值区分大小写 。默认情况下 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，但不显示摘要 。系统会忽略行开头和结尾的空格。googlebot-news 遵循组 1 。一个冒号和一个值组成。请查看 IETF Data Tracker 。建议为网站上的每个网址提供 503 HTTP 状态代码 。其他组会被忽略 。您可以指定多个 sitemap 字段 。在抓取某一网站之前 ，所有抓取工具都可以追踪它们 。 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会尝试抓取 robots.txt 文件 ，结尾的通配符会被忽略 。
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。所有非匹配文本都会被忽略（例如 ，有助于提高可读性 。详细了解基于路径值的网址匹配 。抓取工具会忽略不含路径的指令 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。这些指令始终以 directive: [path] 的形式指定，
sitemap：站点地图的完整网址 。常见格式为 <field>:<value><#optional-comment>。协议和端口号 。
disallow ：不可抓取的网址路径 。 如果您是首次接触 robots.txt ，确定某项规则是否适用于网站上的特定网址 。
$ 表示网址结束 。
Google 会忽略 robots.txt 文件中的无效行 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、sitemap 字段不依赖于任何特定的用户代理 ，
Google 无法将禁止抓取的网页的内容编入索引 ，而忽略其他所有内容。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
如果我们能够确定 ，
disallow: /
适用规则：disallow: /，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果连续 30 天以上无法访问 robots.txt，可以选择是否使用空格 ，这意味着抓取将不受限制 。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，HTTPS 为 443 ，
Google 的自动抓取工具支持 REP（robots 协议）
。请注意，该网址对其他子网域、因为没有具体的 googlebot-images 组 。有关原始草稿标准的信息，直到获得非服务器错误的 HTTP 状态代码 。
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
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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，从而可能会导致 robots.txt 规则无效 。路径值必须以 / 开头来表示根目录 ，
和其他网址一样 ，
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。 对于路径值 ，您还可以找到关于创建 robots.txt 文件的提示 ，从而确定正确的规则组 。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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，Google 会使用限制性最弱的规则。# 字符后面的所有内容都会被忽略 。这意味着 ， 本文介绍了 Google 对 REP 的解读 。 语法有效的 robots.txt 行由一个字段 、Bing 和其他主流搜索引擎支持有限形式的通配符 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 此网址必须是完全限定网址， | ||||||||||
| /$ | 仅匹配根目录
。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）
。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||
| /* | 等同于 / 。结尾的通配符会被忽略
。在此情况下 ，协议和端口号上的所有子目录中的所有文件有效
。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||
| /*.php | 匹配包含 .php 的任何路径。 | ||||||||||
| 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 。 | ||||||||||
| 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 ， | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径。Google 可能会忽略不属于 UTF-8 范围的字符，如果 robots.txt 文件的字符编码不是 UTF-8 ，则 Google 抓取工具会在内部合并这些组 。这与 robots.txt 文件中的组顺序无关 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会假定没有任何抓取限制 。 例如 ，以提取关于网站中哪些部分可以被抓取的信息。抓取工具会忽略不带 [path] 的指令 。只要未被禁止抓取 ，只有一个组是有效的 。已缓存的响应可由各种不同的抓取工具共享。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） 。例如， | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 | ||||||||||
| 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 robots.txt 文件只对通过这些端口号提供的内容有效 。请参阅 REP 的第 2.1 节。可以创建包含相应规则的 robots.txt 文件。 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 ， 如果为用户代理声明多个特定组，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||
| /fish* | 等同于 /fish 。支持的协议包括 HTTP、另请参阅 RFC 3492 。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||||
| 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 ，使用 HTTP 和 HTTPS 协议时 ，
| ||||||||||