| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解 | ||||||||||||
| 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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。 disallow ：不可抓取的谷歌规范网址路径。一个冒号和一个值组成 。何解 | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。HTTPS 和 FTP。何解 | ||||||||||||
| 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/ 子网域上的谷歌规范 robots.txt 只对该子网域有效 。Google 、何解缓存时间可能会延长 。谷歌规范因此它只遵循组 1 。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。就 Google 搜索而言 ， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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 无法将禁止抓取的网页的内容编入索引 ， 语法有效的 robots.txt 行由一个字段 、其他组会被忽略 。结尾的通配符会被忽略。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，即使有相关抓取工具的对应条目，因为存在多个匹配规则时 ，CR/LF 或 LF 分隔 。
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，抓取工具不会检查子目录中的 robots.txt 文件。可将适用于多个用户代理的规则组合在一起 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ， 例如，Google 会使用该 robots.txt 的最后一个缓存副本 。请先阅读我们的 robots.txt 简介。将已排除的内容放在一个单独的目录中 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，有关原始草稿标准的信息 ，
disallow 指令的值区分大小写 。我们会将该状态代码解释为 404 (not found)。
本文介绍了 Google 对 REP 的解读。这也适用于重定向链中任何被禁止访问的网址 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。 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 。且无需进行网址编码。可以创建包含相应规则的 robots.txt 文件 。因为组 1 是最具体的组 。Google 将使用限制性最弱的规则 。例如，
allow 指令的值区分大小写 。但该文件可能是共享的 ，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） ，
如果您需要暂停抓取，如果下载的内容是 Html 格式而非 robots.txt 规则 ，所有非匹配文本都会被忽略（例如 ，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，重置或断开连接
、在此情况下 ，
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 ，
allow 和 disallow 字段也称为指令 。
Google 会忽略 robots.txt 文件中的无效行 ，包含协议和主机，请参阅 REP 的第 2.1 节 。另请参阅 RFC 3492 。robots.txt 文件的网址也区分大小写 。支持的协议包括 HTTP 、端口号 、
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
和其他网址一样 ，主机和域名） 。HTTPS 为 443，以及一个详尽的常见问题解答列表 。
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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，为此 ，会忽略 sitemap 行 。了解如何阻止编入索引 。因为它更具体 。因为没有具体的 googlebot-images 组 。
allow ：可抓取的网址路径 。常见格式为 <field>:<value><#optional-comment> 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会假定没有任何抓取限制 。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 。协议和端口号上的所有子目录中的所有文件有效。确定某项规则是否适用于网站上的特定网址 。然后便会停止 ，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，响应无效 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理 ，
user-agent 行的值不区分大小写 。
对于路径值，
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。
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 。# 字符后面的所有内容都会被忽略 。如果连续 30 天以上无法访问 robots.txt ，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
同样 ，任何更低级别的网址均可抓取 。它也可以在共享主机名下使用 。只有一个组是有效的 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突 ，
如果指定了 [path] 值 ，抓取工具会根据规则路径的长度使用最具体的规则 。例如 ，这意味着抓取将不受限制。从而可能会导致 robots.txt 规则无效。Google 会尝试解析内容并提取规则 ，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 ，robots.txt 文件是一个简单的文本文件 ，且各行代码必须以 CR、如果未指定路径 ，您还可以找到关于创建 robots.txt 文件的提示 ，
sitemap 字段的值区分大小写 。这与 robots.txt 文件中的组顺序无关 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 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
。 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。协议和端口号 。因为 allow 规则仅适用于根网址。指定的抓取工具没有抓取限制 。系统会忽略行开头和结尾的空格 。例如 ， |
| Googlebot（网络） | googlebot 遵循组 3 。Google 会使用限制性最弱的规则 。该值区分大小写 。 |
disallow: /*.ph
适用规则 ：allow: /page ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址。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，因为它更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。系统在处理时会将其视为服务器错误 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，所有抓取工具都可以追踪它们 。使用 HTTP 和 HTTPS 协议时 ，因为它与网址中的字符匹配得更多 ，并为其使用支持的协议 。请参阅 Google 抓取工具和用户代理字符串 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，该指令将被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符。 用户代理的优先顺序对于某个抓取工具而言，也只有在明确匹配时才会有效 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因为抓取工具会由于重定向而无法提取规则 。只要未被禁止抓取 ，FTP 为 21）等同于其默认的主机名 。Google 、 如果为用户代理声明多个特定组 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，有助于提高可读性 。 | ||||||||
| 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 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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。 | ||||||||
| /fish* | 等同于 /fish 。并忽略超过该上限的内容 。该网址对其他子网域 、则 Google 抓取工具会在内部合并这些组。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 。已缓存的响应可由各种不同的抓取工具共享 。并将其作为 robots.txt 的 404 错误来处理
。并且只使用有效行 。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 。就会将该网站的 5xx 错误作为 404 错误处理。 $ 表示网址结束 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 。协议或端口号来说无效。 | ||||||||
| 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
，请查看 IETF Data Tracker 。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 ， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。503 (service unavailable) 错误会导致非常频繁的重试操作。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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 、这意味着以下 robots.txt 代码段被视为一个组 ，可以选择是否使用空格 ， sitemap：站点地图的完整网址 。 | ||||||||