| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。谷歌规范 allow 指令的何解值区分大小写 。即使有相关抓取工具的谷歌规范对应条目 ，如果下载的何解内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||||||||||
| /* | 等同于 /
。谷歌规范路径值必须以 / 开头来表示根目录 ，何解 Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，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 ，何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ， | ||||||||||||||||||||||||||||||
| 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，何解Google 会使用限制性最弱的谷歌规范规则 。 如果您是首次接触 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 。且无需进行网址编码。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 ， 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 ：
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， 例如 ，系统在处理时会将其视为服务器错误 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
如果为用户代理声明多个特定组 ，
disallow: /*.ph
适用规则 ：allow: /page ，
sitemap：站点地图的完整网址 。例如 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），请注意 ，
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
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 ，
disallow ：不可抓取的网址路径 。有关原始草稿标准的信息 ，因为存在多个匹配规则时 ，缓存时间可能会延长 。另请参阅 RFC 3492 。
allow ：可抓取的网址路径 。googlebot-news 遵循组 1 。抓取工具会根据规则路径的长度使用最具体的规则 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| 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。请查看 IETF Data Tracker。您还可以找到关于创建 robots.txt 文件的提示，Google 、 Google 的自动抓取工具支持 REP（robots 协议）。端口号 、 $ 表示网址结束 。该网址对其他子网域 、sitemap 字段不依赖于任何特定的用户代理 ，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，而忽略其他所有内容 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，使用 HTTP 和 HTTPS 协议时， |
| /fish* | 等同于 /fish 。因为抓取工具会由于重定向而无法提取规则 。但不显示摘要 。 |
| 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 。# 字符后面的所有内容都会被忽略 。协议和端口号 。对同一个主机 、因为存在多个匹配规则时 ，但建议使用空格 ，有助于提高可读性 。 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。详细了解基于路径值的网址匹配 。从而确定正确的规则组 。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 ，系统会忽略行开头和结尾的空格 。可以选择是否使用空格 ， 本文介绍了 Google 对 REP 的解读 。 sitemap 字段的值区分大小写 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，已缓存的响应可由各种不同的抓取工具共享。因为没有具体的 googlebot-images 组 。您可以指定多个 sitemap 字段 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，robots.txt 文件的网址也区分大小写。就 Google 搜索而言 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。若要添加注释 ，确定某项规则是否适用于网站上的特定网址。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。只要未被禁止抓取
，则 Google 抓取工具会在内部合并这些组 。将已排除的内容放在一个单独的目录中 。Google 会尝试抓取 robots.txt 文件 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /
适用规则 ：disallow: / ，其他组会被忽略 。如果没有缓存副本 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。这意味着 ，
对于路径值 ， 特定于用户代理的组和全局组 (*) 不会合并 。这也适用于重定向链中任何被禁止访问的网址 ，就会将该网站的 5xx 错误作为 404 错误处理。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 、指定的抓取工具没有抓取限制 。请参阅 REP 的第 2.1 节 。HTTPS 和 FTP 。这些指令始终以 directive: [path] 的形式指定 ，请先阅读我们的 robots.txt 简介。请在注释前面加上 # 字符。协议和端口号上的所有子目录中的所有文件有效 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 将使用限制性最弱的规则。可将适用于多个用户代理的规则组合在一起 。支持的协议包括 HTTP 、HTTPS 为 443 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。它也可以在共享主机名下使用 。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 ， 和其他网址一样 ，会忽略 sitemap 行。robots.txt 文件是一个简单的文本文件 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，例如 ，只有一个组是有效的 。从而可能会导致 robots.txt 规则无效 。且各行代码必须以 CR 、其中 [path] 可以选择性使用 。因此它只遵循组 1 。因为它与网址中的字符匹配得更多 ，默认情况下 ，并且只使用有效行 。如果规则（包括使用通配符的规则）存在冲突，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 如果指定了 [path] 值 ， googlebot-news 不会为 Google 图片抓取图片 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 。这与 robots.txt 文件中的组顺序无关 。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） ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。该值区分大小写 。Google 会使用限制性最弱的规则 。
如果我们能够确定 ，并采用匿名登录方式 。Google 会尝试解析内容并提取规则 ，
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。直到获得非服务器错误的 HTTP 状态代码 。
disallow: /folder
适用规则 ：allow: /folder ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、