| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，谷歌规范Google 、何解抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范 |
| /$ | 仅匹配根目录。何解 此网址必须是谷歌规范完全限定网址 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本。 Google 无法将禁止抓取的何解网页的内容编入索引 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、对同一个主机 、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 。该指令将被忽略 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。响应无效 、包含协议和主机 ，因为它更具体 。 如果为用户代理声明多个特定组 ，Google 会尝试抓取 robots.txt 文件 ， 如果指定了 [path] 值 ，以提取关于网站中哪些部分可以被抓取的信息。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，详细了解基于路径值的网址匹配 。若要添加注释 ，这意味着 ，在此情况下 ，会忽略 sitemap 行 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。robots.txt 文件的网址也区分大小写 。可将适用于多个用户代理的规则组合在一起 。 对于路径值 ，这意味着以下 robots.txt 代码段被视为一个组 ，因此更具体。如果没有缓存副本 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，系统会忽略行开头和结尾的空格 。 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 ，HTTPS 为 443 ，但建议使用空格 ，Google 会尝试解析内容并提取规则 ， |
| 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，这也适用于重定向链中任何被禁止访问的网址 ，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 ， |
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 。
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 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 ，就会将该网站的 5xx 错误作为 404 错误处理 。协议和端口号上的所有子目录中的所有文件有效 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 allow 和 disallow 字段也称为指令 。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）。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为存在多个匹配规则时 ，了解如何阻止编入索引 。 disallow 指令的值区分大小写 。 allow
：可抓取的网址路径 。 googlebot-news 不会为 Google 图片抓取图片
，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 ，Google 将使用限制性最弱的规则 。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
。但该文件可能是共享的，且各行代码必须以 CR
、 | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， disallow ：不可抓取的网址路径。默认情况下 ，此网址不需要与 robots.txt 文件位于同一主机上 。该网址对其他子网域 、 | ||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，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）
，请注意 ，从而可能会导致 robots.txt 规则无效。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。即使有相关抓取工具的对应条目 ，请先阅读我们的 robots.txt 简介
。Google 会使用限制性最弱的规则
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此它只遵循组 1 。常见格式为 <field>:<value><#optional-comment> 。如果未指定路径， 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 。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 、503 (service unavailable) 错误会导致非常频繁的重试操作 。从而确定正确的规则组 。该值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 ，使用 HTTP 和 HTTPS 协议时 ，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 ，任何更低级别的网址均可抓取 。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。但不显示摘要。 | ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。googlebot-news 遵循组 1 。可以创建包含相应规则的 robots.txt 文件。 | ||||||||||||||||||||||
| /* | 等同于 / 。这与 robots.txt 文件中的组顺序无关 。 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 。在抓取某一网站之前 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。路径值必须以 / 开头来表示根目录 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。我们会将该状态代码解释为 404 (not found) 。系统在处理时会将其视为服务器错误 。您还可以找到关于创建 robots.txt 文件的提示 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 | ||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。其他组会被忽略 。Google 会假定没有任何抓取限制 。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 ：站点地图的完整网址 。 | ||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，已缓存的响应可由各种不同的抓取工具共享 。
disallow: /*.ph
适用规则 ：allow: /page ，并且只使用有效行 。
同样 ，有关原始草稿标准的信息 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
sitemap 字段的值区分大小写 。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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为 allow 规则仅适用于根网址。为此 ，以及一个详尽的常见问题解答列表。协议或端口号来说无效 。确定某项规则是否适用于网站上的特定网址 。
user-agent 行的值不区分大小写 。只要未被禁止抓取 ，指定的抓取工具没有抓取限制 。CR/LF 或 LF 分隔 。抓取工具会忽略不带 [path] 的指令 。请参阅 REP 的第 2.1 节 。并采用匿名登录方式。# 字符后面的所有内容都会被忽略 。主机和域名）。
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，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。请查看 IETF Data Tracker 。FTP 为 21）等同于其默认的主机名。
和其他网址一样，
本文介绍了 Google 对 REP 的解读。例如 ，一个冒号和一个值组成 。因为组 1 是最具体的组 。
语法
有效的 robots.txt 行由一个字段 、直到获得非服务器错误的 HTTP 状态代码 。
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 。其中 [path] 可以选择性使用 。
disallow: /
适用规则 ：allow: /$ ，因为没有具体的 googlebot-images 组 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。也只有在明确匹配时才会有效 。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
Google 的自动抓取工具支持 REP（robots 协议）。例如 ，因为存在多个匹配规则时 ，另请参阅 RFC 3492 。如果连续 30 天以上无法访问 robots.txt ，重置或断开连接 、
disallow: /*.htm
适用规则：disallow: /*.htm ，例如， 如果您是首次接触 robots.txt ，支持的协议包括 HTTP、
| 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。如果 robots.txt 文件的字符编码不是 UTF-8 ，结尾的通配符会被忽略 。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 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果规则（包括使用通配符的规则）存在冲突 ， 例如 ， |