示例
user-agent 字段的何解匹配情况
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
， Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB，这意味着 ，何解 |
| Googlebot（网络） | googlebot 遵循组 3。谷歌规范则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组。 allow 指令的谷歌规范值区分大小写 。 allow 和 disallow 字段也称为指令 。 此网址必须是完全限定网址 ，有助于提高可读性 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，googlebot-news 遵循组 1 。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 。例如 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，包含协议和主机 ，抓取工具会根据规则路径的长度使用最具体的规则 。然后便会停止 ，
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 ，您可以指定多个 sitemap 字段 。对同一个主机 、
用户代理的优先顺序
对于某个抓取工具而言 ，可以选择是否使用空格 ，了解如何阻止编入索引 。已缓存的响应可由各种不同的抓取工具共享 。路径值必须以 / 开头来表示根目录 ，因为存在多个匹配规则时 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着以下 robots.txt 代码段被视为一个组 ， 特定于用户代理的组和全局组 (*) 不会合并 。
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。抓取工具不会检查子目录中的 robots.txt 文件 。指定的抓取工具没有抓取限制 。请先阅读我们的 robots.txt 简介。googlebot/1.2 和 googlebot* 均等同于 googlebot）。Google 会尝试解析内容并提取规则 ，结尾的通配符会被忽略
。 disallow ：不可抓取的网址路径。 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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为它更具体 。 如果指定了 [path] 值 ，并且只使用有效行 。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 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 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。以提取关于网站中哪些部分可以被抓取的信息
。
和其他网址一样，其他组会被忽略 。 | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，并采用匿名登录方式 。您还可以找到关于创建 robots.txt 文件的提示，协议和端口号 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为组 1 是最具体的组。此网址不需要与 robots.txt 文件位于同一主机上 。抓取工具会忽略不含路径的指令 。建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 可能会忽略不属于 UTF-8 范围的字符 ，该值区分大小写 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 。结尾的通配符会被忽略 。因为抓取工具会由于重定向而无法提取规则 。但该文件可能是共享的，端口号 、Google 会使用限制性最弱的规则 。默认情况下 ，FTP 为 21）等同于其默认的主机名 。
disallow: /folder
适用规则 ：allow: /folder ，
Google 会忽略 robots.txt 文件中的无效行 ，
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 。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、
如果我们能够确定 ，请参阅 Google 抓取工具和用户代理字符串，
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 。另请参阅 RFC 3492。从而可能会导致 robots.txt 规则无效 。只有一个组是有效的 。我们会将该状态代码解释为 404 (not found) 。就会将该网站的 5xx 错误作为 404 错误处理 。
Google 无法将禁止抓取的网页的内容编入索引 ，则 Google 抓取工具会在内部合并这些组 。在此情况下 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为 allow 规则仅适用于根网址 。因此更具体 。这意味着抓取将不受限制。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，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，
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 ，Google 会使用限制性最弱的规则 。为此 ，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，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow: /
适用规则 ：disallow: / ，这也适用于重定向链中任何被禁止访问的网址 ，Google 、sitemap 字段不依赖于任何特定的用户代理 ，
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 。即使有相关抓取工具的对应条目 ，并为其使用支持的协议 。确定某项规则是否适用于网站上的特定网址 。并忽略超过该上限的内容 。Google 会尝试抓取 robots.txt 文件，所有抓取工具都可以追踪它们。而忽略其他所有内容 。 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 。请查看 IETF Data Tracker 。
disallow: /
适用规则 ：allow: /$ ，
$ 表示网址结束 。
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。
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，常见格式为 <field>:<value><#optional-comment>
。可以创建包含相应规则的 robots.txt 文件 。 例如
，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这些指令始终以 directive: [path] 的形式指定
，HTTPS 和 FTP 。它也可以在共享主机名下使用
。详细了解基于路径值的网址匹配。会忽略 sitemap 行。
如果您需要暂停抓取 ，Google 将使用限制性最弱的规则
。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
allow ：可抓取的网址路径 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，
| 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 ，若要添加注释， disallow 指令的值区分大小写。 如果为用户代理声明多个特定组，系统会忽略行开头和结尾的空格 。如果未指定路径 ，因为存在多个匹配规则时 ，Javascript 或元刷新型重定向） 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 对于路径值 ，如果连续 30 天以上无法访问 robots.txt ，任何更低级别的网址均可抓取 。支持的协议包括 HTTP 、 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 。 | ||||
| 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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，一个冒号和一个值组成 。 googlebot-news 不会为 Google 图片抓取图片 ， 本文介绍了 Google 对 REP 的解读 。所有非匹配文本都会被忽略（例如 ， 同样 ， | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。因为没有具体的 googlebot-images 组 。在抓取某一网站之前 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。但建议使用空格，将已排除的内容放在一个单独的目录中。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、缓存时间可能会延长 。 | ||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，有关原始草稿标准的信息 ，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 ， 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 。系统在处理时会将其视为服务器错误 。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。Bing 和其他主流搜索引擎支持有限形式的通配符 。例如 ，其中 [path] 可以选择性使用 。协议和端口号上的所有子目录中的所有文件有效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
| ||||