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 ，就 Google 搜索而言 ，谷歌规范并采用匿名登录方式 。何解 同样 ，谷歌规范例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、何解只要未被禁止抓取
，谷歌规范从而可能会导致 robots.txt 规则无效 。何解系统在处理时会将其视为服务器错误
。谷歌规范
规则的优先顺序匹配 robots.txt 规则与网址时 ，Google 将使用限制性最弱的规则 。因为它与网址中的字符匹配得更多，在此情况下 ， | ||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，所有抓取工具都可以追踪它们 。HTTPS 为 443 ，# 字符后面的所有内容都会被忽略 。如果未指定路径 ，Google 会使用该 robots.txt 的最后一个缓存副本 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。常见格式为 <field>:<value><#optional-comment> 。抓取工具会忽略不带 [path] 的指令 。这意味着抓取将不受限制 。并为其使用支持的协议 。 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 。FTP 为 21）等同于其默认的主机名 。
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 。系统会忽略行开头和结尾的空格 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
用户代理的优先顺序
对于某个抓取工具而言，我们会将该状态代码解释为 404 (not found) 。 特定于用户代理的组和全局组 (*) 不会合并
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、已缓存的响应可由各种不同的抓取工具共享 。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
。然后便会停止 ，您还可以找到关于创建 robots.txt 文件的提示 ，sitemap 字段不依赖于任何特定的用户代理 ，因此更具体。
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 。该值区分大小写 。
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 ，
Google 会忽略 robots.txt 文件中的无效行，但不显示摘要 。建议为网站上的每个网址提供 503 HTTP 状态代码 。抓取工具不会检查子目录中的 robots.txt 文件 。这也适用于重定向链中任何被禁止访问的网址 ，
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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值 ，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 、协议或端口号来说无效 。
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。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
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 。
| 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。请先阅读我们的 robots.txt 简介 。有助于提高可读性
。 如果您是首次接触 robots.txt ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 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。Google 会尝试抓取 robots.txt 文件 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 $ 表示网址结束 。请查看 IETF Data Tracker。 |
| 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
，它也可以在共享主机名下使用。抓取工具会根据规则路径的长度使用最具体的规则 。就会将该网站的 5xx 错误作为 404 错误处理 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。确定某项规则是否适用于网站上的特定网址 。 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。 allow 指令的值区分大小写。则 Google 抓取工具会在内部合并这些组。包含协议和主机，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 、 |
| /fish* | 等同于 /fish 。一个冒号和一个值组成 。例如 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为组 1 是最具体的组 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，该网址对其他子网域、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。默认情况下 ，使用 HTTP 和 HTTPS 协议时 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，协议和端口号上的所有子目录中的所有文件有效 。协议和端口号 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果为用户代理声明多个特定组，因为它更具体 。 此网址必须是完全限定网址 ，可以选择是否使用空格 ，如果规则（包括使用通配符的规则）存在冲突，但建议使用空格 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
user-agent 行的值不区分大小写 。可将适用于多个用户代理的规则组合在一起 。这些指令始终以 directive: [path] 的形式指定 ，
Google 的自动抓取工具支持 REP（robots 协议） 。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 。HTTPS 和 FTP。在抓取某一网站之前，因为没有具体的 googlebot-images 组 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow 指令的值区分大小写 。
disallow: /folder
适用规则 ：allow: /folder ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。这与 robots.txt 文件中的组顺序无关。了解如何阻止编入索引 。因为存在多个匹配规则时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
allow ：可抓取的网址路径。Google 会尝试解析内容并提取规则 ，因为抓取工具会由于重定向而无法提取规则 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
本文介绍了 Google 对 REP 的解读 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，会忽略 sitemap 行 。
disallow: /
适用规则 ：disallow: /，因为 allow 规则仅适用于根网址 。
disallow: /*.ph
适用规则：allow: /page ，若要添加注释 ，
对于路径值 ，例如 ，这意味着以下 robots.txt 代码段被视为一个组 ， googlebot-news 不会为 Google 图片抓取图片 ，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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
| 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 。 |
disallow: /
适用规则 ：allow: /$，主机和域名） 。
和其他网址一样 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow ：不可抓取的网址路径 。googlebot-news 遵循组 1 。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 。
allow 和 disallow 字段也称为指令。Google 、 例如 ，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） 。详细了解基于路径值的网址匹配 。
sitemap 字段的值区分大小写。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，即使有相关抓取工具的对应条目 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。只有一个组是有效的
。 sitemap ：站点地图的完整网址 。 |