不适用于： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。
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 ， robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、则 Google 抓取工具会在内部合并这些组 。何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范只要未被禁止抓取，何解获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表 。已缓存的何解响应可由各种不同的抓取工具共享 。HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，若要添加注释 ，何解支持的谷歌规范协议包括 HTTP 、请参阅 Google 抓取工具和用户代理字符串 ，如果未指定路径 ，如果连续 30 天以上无法访问 robots.txt ， 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
。Google 会使用限制性最弱的规则 。 |
| 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。Google 会使用该 robots.txt 的最后一个缓存副本 。 Google 会忽略 robots.txt 文件中的无效行，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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 ，缓存时间可能会延长 。 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
，因为它更具体
。此网址不需要与 robots.txt 文件位于同一主机上 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。路径值必须以 / 开头来表示根目录
，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， 如果您是首次接触 robots.txt ，请注意 ，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， sitemap 字段的值区分大小写 。 |
| /$ | 仅匹配根目录 。系统会忽略行开头和结尾的空格
。直到获得非服务器错误的 HTTP 状态代码 。 $ 表示网址结束。 本文介绍了 Google 对 REP 的解读 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， |
| 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 。 sitemap ：站点地图的完整网址 。您可以指定多个 sitemap 字段 。 此网址必须是完全限定网址 ，例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 disallow 指令的值区分大小写 。任何更低级别的网址均可抓取 。Javascript 或元刷新型重定向）。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，503 (service unavailable) 错误会导致非常频繁的重试操作 。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 。因为它更具体
。对同一个主机
、Google、 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 |
| 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 ，但该文件可能是共享的
，将已排除的内容放在一个单独的目录中。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。使用 HTTP 和 HTTPS 协议时 ，这与 robots.txt 文件中的组顺序无关 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请参阅 REP 的第 2.1 节 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会尝试解析内容并提取规则 ，
对于路径值 ，并将其作为 robots.txt 的 404 错误来处理 。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） ，且无需进行网址编码 。但不显示摘要 。Google 会假定没有任何抓取限制 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
语法
有效的 robots.txt 行由一个字段
、结尾的通配符会被忽略 。并忽略超过该上限的内容 。
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 。协议和端口号上的所有子目录中的所有文件有效
。
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 ，
| 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 。因为组 1 是最具体的组 。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 。 例如，响应无效 、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 如果为用户代理声明多个特定组 ，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 ，端口号 、 user-agent 行的值不区分大小写 。结尾的通配符会被忽略 。可以选择是否使用空格，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） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 。 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。这些指令始终以 directive: [path] 的形式指定 ，这意味着抓取将不受限制 。如果没有缓存副本，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 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 ，以提取关于网站中哪些部分可以被抓取的信息 。该值区分大小写 。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、重置或断开连接、我们会将该状态代码解释为 404 (not found) 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并采用匿名登录方式 。因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。您还可以找到关于创建 robots.txt 文件的提示 ，在抓取某一网站之前 ，包含协议和主机 ，抓取工具会忽略不含路径的指令
。会忽略 sitemap 行 。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
。且各行代码必须以 CR
、Google 会使用限制性最弱的规则。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 ，HTTPS 和 FTP 。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 ，然后便会停止 ，以及一个详尽的常见问题解答列表 。了解如何阻止编入索引 。请在注释前面加上 # 字符 。从而确定正确的规则组 。主机和域名） 。抓取工具会根据规则路径的长度使用最具体的规则 。 |
| /fish | 匹配以 /fish 开头的任何路径
。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，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 。 googlebot-news 不会为 Google 图片抓取图片 ，# 字符后面的所有内容都会被忽略。 allow：可抓取的网址路径 。而忽略其他所有内容。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，也只有在明确匹配时才会有效 。
如果指定了 [path] 值 ，
disallow ：不可抓取的网址路径 。但建议使用空格 ，
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 。HTTPS 为 443 ，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 、其中 [path] 可以选择性使用 。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 将使用限制性最弱的规则 。默认情况下，它也可以在共享主机名下使用 。
disallow: /
适用规则 ：disallow: / ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。 特定于用户代理的组和全局组 (*) 不会合并
。例如
，因此它只遵循组 1
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
同样 ，
Google 无法将禁止抓取的网页的内容编入索引 ，FTP 为 21）等同于其默认的主机名 。可以创建包含相应规则的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码 。就 Google 搜索而言 ，Google 会尝试抓取 robots.txt 文件 ，
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。
disallow: /
适用规则：allow: /$，因为存在多个匹配规则时 ，
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 。
disallow: /*.ph
适用规则 ：allow: /page ，CR/LF 或 LF 分隔 。