| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范 sitemap：站点地图的何解完整网址 。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的谷歌规范任何路径。 例如 ，何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式
。
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 。Google 会尝试抓取 robots.txt 文件 ，从而可能会导致 robots.txt 规则无效 。 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， user-agent 行的值不区分大小写 。Google 会尝试解析内容并提取规则 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），但建议使用空格 ， | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，这意味着抓取将不受限制 。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 、Google 会使用限制性最弱的规则 。系统会忽略行开头和结尾的空格 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，HTTPS 为 443 ，因为组 1 是最具体的组 。且各行代码必须以 CR 、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，您还可以找到关于创建 robots.txt 文件的提示 ，端口号 、您可以指定多个 sitemap 字段。 | ||||||||||||||||||||||||||
| /* | 等同于 /
。Google 会假定没有任何抓取限制 。Google 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，支持的协议包括 HTTP 、常见格式为 <field>:<value><#optional-comment> 。并为其使用支持的协议。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 ，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 。 | ||||||||||||||||||||||||||
| 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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||||||||||||||||
| 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。 googlebot-news 不会为 Google 图片抓取图片
，抓取工具会忽略不含路径的指令。例如 ，但该文件可能是共享的 ，这也适用于重定向链中任何被禁止访问的网址 ，然后便会停止
，有关原始草稿标准的信息
，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，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 ，在此情况下 ， 语法有效的 robots.txt 行由一个字段 、 $ 表示网址结束 。抓取工具不会检查子目录中的 robots.txt 文件。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，将已排除的内容放在一个单独的目录中 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，此网址不需要与 robots.txt 文件位于同一主机上 。这与 robots.txt 文件中的组顺序无关 。 特定于用户代理的组和全局组 (*) 不会合并 。因为它更具体。
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。请在注释前面加上 # 字符 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，就 Google 搜索而言，FTP 为 21）等同于其默认的主机名。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 会忽略 robots.txt 文件中的无效行 ，我们会将该状态代码解释为 404 (not found) 。请先阅读我们的 robots.txt 简介 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
| 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 。并且只使用有效行 。以提取关于网站中哪些部分可以被抓取的信息 。详细了解基于路径值的网址匹配。 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 ，但不显示摘要 。 allow 指令的值区分大小写 。因为没有具体的 googlebot-images 组 。 |
| Googlebot（网络） | googlebot 遵循组 3 。协议和端口号 。 |
| 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 ，因为存在多个匹配规则时 ， |
| /fish* | 等同于 /fish 。主机和域名）。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）
，在抓取某一网站之前，其中 [path] 可以选择性使用。robots.txt 文件的网址也区分大小写。因为存在多个匹配规则时
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、并忽略超过该上限的内容 。 allow 和 disallow 字段也称为指令 。该值区分大小写 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。只有一个组是有效的 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 如果您需要暂停抓取 ， sitemap 字段的值区分大小写。任何更低级别的网址均可抓取。了解如何阻止编入索引 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。CR/LF 或 LF 分隔 。 |
| 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。如果没有缓存副本，响应无效、robots.txt 文件是一个简单的文本文件 ，它也可以在共享主机名下使用 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。抓取工具会根据规则路径的长度使用最具体的规则 。则 Google 抓取工具会在内部合并这些组 。默认情况下 ，这些指令始终以 directive: [path] 的形式指定 ，HTTP 组块错误等）而无法抓取的 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 。 |
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 、请注意 ，并将其作为 robots.txt 的 404 错误来处理 。
用户代理的优先顺序
对于某个抓取工具而言 ，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，一个冒号和一个值组成 。有助于提高可读性 。缓存时间可能会延长 。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 ，Google 会使用限制性最弱的规则 。
allow
：可抓取的网址路径 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因此它只遵循组 1 。这意味着以下 robots.txt 代码段被视为一个组
，
如果指定了 [path] 值 ，
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1，结尾的通配符会被忽略 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 将使用限制性最弱的规则。
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 。# 字符后面的所有内容都会被忽略 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp