有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。确定某项规则是谷歌规范否适用于网站上的特定网址 。可以创建包含相应规则的何解 robots.txt 文件 。该指令将被忽略 。谷歌规范抓取工具会忽略不含路径的何解指令 。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 ，也只有在明确匹配时才会有效 。何解Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， allow ：可抓取的网址路径 。 特定于用户代理的组和全局组 (*) 不会合并。 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 。从而确定正确的规则组。若要添加注释 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因为它与网址中的字符匹配得更多 ， 语法有效的 robots.txt 行由一个字段 、 | ||||||||||
和其他网址一样 ，
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 ，从而可能会导致 robots.txt 规则无效 。Google 会尝试解析内容并提取规则 ，并采用匿名登录方式 。
sitemap ：站点地图的完整网址 。
disallow: /
适用规则 ：disallow: / ，指定的抓取工具没有抓取限制。Google 会使用限制性最弱的规则 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
对于路径值，
如果我们能够确定 ，所有非匹配文本都会被忽略（例如，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，我们会将该状态代码解释为 404 (not found) 。robots.txt 文件是一个简单的文本文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，使用 HTTP 和 HTTPS 协议时 ，
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 。
disallow ：不可抓取的网址路径 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介 。例如 ，因为它更具体。则 Google 抓取工具会在内部合并这些组 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，将已排除的内容放在一个单独的目录中 。
disallow: /
适用规则 ：allow: /$，如果规则（包括使用通配符的规则）存在冲突 ，
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 。并将其作为 robots.txt 的 404 错误来处理 。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） ，常见格式为 <field>:<value><#optional-comment> 。只有一个组是有效的 。
sitemap 字段的值区分大小写 。
allow 和 disallow 字段也称为指令 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。请查看 IETF Data Tracker 。系统在处理时会将其视为服务器错误 。因为组 1 是最具体的组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
同样 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，# 字符后面的所有内容都会被忽略 。这些指令始终以 directive: [path] 的形式指定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为抓取工具会由于重定向而无法提取规则 。然后便会停止，但该文件可能是共享的 ，
user-agent 行的值不区分大小写 。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 。而忽略其他所有内容 。
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 。
本文介绍了 Google 对 REP 的解读 。Javascript 或元刷新型重定向）。在此情况下，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，googlebot-news 遵循组 1 。
disallow: /*.ph
适用规则 ：allow: /page ，协议和端口号上的所有子目录中的所有文件有效 。
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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，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：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1
，Google 、在抓取某一网站之前 ，如果未指定路径 ，了解如何阻止编入索引 。 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。这与 robots.txt 文件中的组顺序无关。因此它只遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理 。 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。可以选择是否使用空格
，因为它更具体
。会忽略 sitemap 行
。重置或断开连接 、抓取工具会忽略不带 [path] 的指令。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， $ 表示网址结束 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，包含协议和主机，并且只使用有效行 。协议或端口号来说无效 。CR/LF 或 LF 分隔 。 如果您是首次接触 robots.txt ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具
。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。 |
| /fish | 匹配以 /fish 开头的任何路径
。Google 会假定没有任何抓取限制 。该值区分大小写 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 的自动抓取工具支持 REP（robots 协议） 。响应无效 、有关原始草稿标准的信息 ，详细了解基于路径值的网址匹配 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
如果指定了 [path] 值 ，路径值必须以 / 开头来表示根目录，此网址不需要与 robots.txt 文件位于同一主机上 。例如，robots.txt 文件的网址也区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引 ，该网址对其他子网域、因为存在多个匹配规则时 ，且无需进行网址编码 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、但不显示摘要 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。您可以指定多个 sitemap 字段 。请注意 ，直到获得非服务器错误的 HTTP 状态代码 。请参阅 Google 抓取工具和用户代理字符串 ， googlebot-news 不会为 Google 图片抓取图片 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、并忽略超过该上限的内容。Google 会尝试抓取 robots.txt 文件，其他组会被忽略 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3
。因为存在多个匹配规则时 ，例如 ，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 ，以提取关于网站中哪些部分可以被抓取的信息 。 disallow 指令的值区分大小写 。这意味着抓取将不受限制 。且各行代码必须以 CR 、HTTPS 为 443 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果连续 30 天以上无法访问 robots.txt ，这也适用于重定向链中任何被禁止访问的网址 ，
| ||||