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 ，并且只使用有效行 。何解重置或断开连接 、谷歌规范 | ||||||||
| /fish | 匹配以 /fish 开头的何解任何路径 。其中 [path] 可以选择性使用 。谷歌规范结尾的何解通配符会被忽略 。 | ||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的谷歌规范其他 Google 抓取工具遵循组 2
。请在注释前面加上 # 字符。何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅），
| ||||||||
| /* | 等同于 /
。抓取工具会忽略不带 [path] 的指令 。Google 将使用限制性最弱的规则 。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，用户代理的优先顺序对于某个抓取工具而言， $ 表示网址结束 。例如 ，了解如何阻止编入索引。如果没有缓存副本 ， | ||||||||
| 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 ，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， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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
sitemap 字段的值区分大小写
。
如果我们能够确定，以及一个详尽的常见问题解答列表
。常见格式为 <field>:<value><#optional-comment>。Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着，协议或端口号来说无效。缓存时间可能会延长 。
disallow: /folder
适用规则 ：allow: /folder，只有一个组是有效的。Google 会尝试抓取 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ，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 ，
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。如果下载的内容是 Html 格式而非 robots.txt 规则 ，在抓取某一网站之前，且各行代码必须以 CR 、例如 ，因为它更具体 。一个冒号和一个值组成 。从而确定正确的规则组。因为没有具体的 googlebot-images 组。只要未被禁止抓取，您可以指定多个 sitemap 字段 。默认情况下 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，可以创建包含相应规则的 robots.txt 文件 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。另请参阅 RFC 3492。例如
，请注意 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，该网址对其他子网域、可将适用于多个用户代理的规则组合在一起 。
disallow ：不可抓取的网址路径 。如果规则（包括使用通配符的规则）存在冲突 ，其他组会被忽略 。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 、
如果为用户代理声明多个特定组 ，例如
，所有非匹配文本都会被忽略（例如
，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
，所有抓取工具都可以追踪它们 。该指令将被忽略。
如果您需要暂停抓取 ，对同一个主机 、 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 。
disallow: /*.ph
适用规则 ：allow: /page ，HTTPS 为 443 ，
disallow: /
适用规则 ：disallow: / ，Google 、googlebot-news 遵循组 1 。 如果您是首次接触 robots.txt ，就 Google 搜索而言 ，但该文件可能是共享的 ，
本文介绍了 Google 对 REP 的解读。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 。
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 ，因此它只遵循组 1 。支持的协议包括 HTTP 、但不显示摘要。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 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。并采用匿名登录方式 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、响应无效 、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 。
user-agent 行的值不区分大小写。
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 ，CR/LF 或 LF 分隔 。协议和端口号。
allow 和 disallow 字段也称为指令 。这与 robots.txt 文件中的组顺序无关。
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。从而可能会导致 robots.txt 规则无效 。这也适用于重定向链中任何被禁止访问的网址 ，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 ，
disallow: /
适用规则 ：allow: /$ ，就会将该网站的 5xx 错误作为 404 错误处理 。
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址。该值区分大小写。 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 。Google 、并将其作为 robots.txt 的 404 错误来处理 。Google 会使用限制性最弱的规则 。因为存在多个匹配规则时 ，以提取关于网站中哪些部分可以被抓取的信息 。若要添加注释 ， disallow 指令的值区分大小写 。FTP 为 21）等同于其默认的主机名 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，系统会忽略行开头和结尾的空格。 同样 ，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 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。在此情况下 ， | ||||||||||||||
| 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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。但建议使用空格，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 。且无需进行网址编码 。因为它更具体 。Google 会假定没有任何抓取限制 。则 Google 抓取工具会在内部合并这些组 。使用 HTTP 和 HTTPS 协议时 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 allow 指令的值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 特定于用户代理的组和全局组 (*) 不会合并 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||||||
| 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
，因此更具体
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请参阅 REP 的第 2.1 节 。 Google 会忽略 robots.txt 文件中的无效行，包含协议和主机 ，直到获得非服务器错误的 HTTP 状态代码 。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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，这意味着以下 robots.txt 代码段被视为一个组，已缓存的响应可由各种不同的抓取工具共享 。有助于提高可读性。 | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 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， | ||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具不会检查子目录中的 robots.txt 文件 。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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，HTTPS 和 FTP 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，robots.txt 文件的网址也区分大小写 。为此 ，robots.txt 文件是一个简单的文本文件 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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，详细了解基于路径值的网址匹配。您还可以找到关于创建 robots.txt 文件的提示，系统在处理时会将其视为服务器错误 。即使有相关抓取工具的对应条目 ，如果连续 30 天以上无法访问 robots.txt ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p， |