以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解抓取工具会忽略不带 [path] 的谷歌规范指令 。然后便会停止 ，何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范
user-agent 行的何解值不区分大小写 。这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，如果没有缓存副本，何解
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 ，谷歌规范从而确定正确的何解规则组 。
disallow: /*.ph
适用规则 ：allow: /page，谷歌规范
本文介绍了 Google 对 REP 的谷歌规范解读。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 如果您是首次接触 robots.txt ，Google 会尝试抓取 robots.txt 文件 ，主机和域名） 。
| 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 。一个冒号和一个值组成 。我们会将该状态代码解释为 404 (not found) 。任何更低级别的网址均可抓取 。 语法有效的 robots.txt 行由一个字段 、 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。从而可能会导致 robots.txt 规则无效 。了解如何阻止编入索引。 |
| 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 ，为此， 特定于用户代理的组和全局组 (*) 不会合并 。则 Google 抓取工具会在内部合并这些组。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 ，因为它与网址中的字符匹配得更多，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 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 |
| /fish | 匹配以 /fish 开头的任何路径 。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 ，在抓取某一网站之前 ，抓取工具会忽略不含路径的指令 。 |
| Googlebot（网络） | googlebot 遵循组 3。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，可以创建包含相应规则的 robots.txt 文件。 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。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，可以选择是否使用空格 ，因此它只遵循组 1 。因为存在多个匹配规则时 ，并且只使用有效行 。缓存时间可能会延长 。但不显示摘要 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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
allow 指令的值区分大小写。
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 。
不适用于 ： http://example.com/
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 。FTP 为 21）等同于其默认的主机名 。就会将该网站的 5xx 错误作为 404 错误处理 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
disallow 指令的值区分大小写。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 。该值区分大小写 。 例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow ：不可抓取的网址路径 。只有一个组是有效的。包含协议和主机，
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 。Google 会使用该 robots.txt 的最后一个缓存副本。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请查看 IETF Data Tracker 。因为组 1 是最具体的组 。
disallow: /
适用规则 ：disallow: / ，Google 会使用限制性最弱的规则 。这些指令始终以 directive: [path] 的形式指定 ，以及一个详尽的常见问题解答列表 。因为抓取工具会由于重定向而无法提取规则 。即使有相关抓取工具的对应条目 ，且各行代码必须以 CR 、sitemap 字段不依赖于任何特定的用户代理 ，
Google 无法将禁止抓取的网页的内容编入索引 ，确定某项规则是否适用于网站上的特定网址 。HTTPS 为 443 ，
和其他网址一样 ，因为它更具体 。如果规则（包括使用通配符的规则）存在冲突 ，且无需进行网址编码。对同一个主机 、支持的协议包括 HTTP 、例如 ，但建议使用空格 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。如果下载的内容是 Html 格式而非 robots.txt 规则，将已排除的内容放在一个单独的目录中 。所有非匹配文本都会被忽略（例如 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这与 robots.txt 文件中的组顺序无关 。例如 ，您可以指定多个 sitemap 字段 。
sitemap 字段的值区分大小写 。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 。端口号 、如果 robots.txt 文件的字符编码不是 UTF-8 ，有助于提高可读性 。Bing 和其他主流搜索引擎支持有限形式的通配符 。请参阅 Google 抓取工具和用户代理字符串，常见格式为 <field>:<value><#optional-comment> 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
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
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 。如果连续 30 天以上无法访问 robots.txt，
disallow: /
适用规则 ：allow: /$ ，并将其作为 robots.txt 的 404 错误来处理 。因为它更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
如果指定了 [path] 值，Google 会尝试解析内容并提取规则 ，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 ，Google 、
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 。详细了解基于路径值的网址匹配 。Google 、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 ，HTTPS 和 FTP 。另请参阅 RFC 3492 。此网址不需要与 robots.txt 文件位于同一主机上 。协议和端口号 。并采用匿名登录方式 。googlebot-news 遵循组 1 。
sitemap ：站点地图的完整网址 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址。其他组会被忽略。但该文件可能是共享的 ，并为其使用支持的协议。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， Google 会忽略 robots.txt 文件中的无效行 ，该网址对其他子网域 、会忽略 sitemap 行 。如果未指定路径，在此情况下 ，若要添加注释 ，而忽略其他所有内容 。也只有在明确匹配时才会有效 。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 。其中 [path] 可以选择性使用
。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。 如果为用户代理声明多个特定组 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。结尾的通配符会被忽略 。 allow 和 disallow 字段也称为指令 。系统会忽略行开头和结尾的空格 。有关原始草稿标准的信息 ， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，以提取关于网站中哪些部分可以被抓取的信息。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 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， Google 的自动抓取工具支持 REP（robots 协议） 。可将适用于多个用户代理的规则组合在一起。协议和端口号上的所有子目录中的所有文件有效。 googlebot-news 不会为 Google 图片抓取图片，Google 会假定没有任何抓取限制
。只要未被禁止抓取 ，它也可以在共享主机名下使用。因为存在多个匹配规则时
， | ||||||||||||||||||