| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。Google 会使用限制性最弱的谷歌规范规则 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，何解抓取工具会忽略不含路径的谷歌规范指令 。Google 会使用该 robots.txt 的何解最后一个缓存副本 。Google 将使用限制性最弱的谷歌规范规则 。因此 user-agent a 和 b 均受 disallow: / 规则的何解影响 ： 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 ，已缓存的谷歌规范响应可由各种不同的抓取工具共享 。此网址不需要与 robots.txt 文件位于同一主机上 。何解请查看 IETF Data Tracker 。谷歌规范这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。其中 [path] 可以选择性使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。例如，HTTPS 和 FTP 。 同样 ， 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，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 ， user-agent 行的值不区分大小写 。即使有相关抓取工具的对应条目 ，若要添加注释 ，从而确定正确的规则组 。 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。如果下载的内容是 Html 格式而非 robots.txt 规则 ， disallow 指令的值区分大小写。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，就 Google 搜索而言 ，如果规则（包括使用通配符的规则）存在冲突 ，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），您还可以找到关于创建 robots.txt 文件的提示 ，只要未被禁止抓取 ，直到获得非服务器错误的 HTTP 状态代码。协议和端口号 。 |
| Googlebot News（抓取图片时） | 抓取图片时， 如果我们能够确定 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， $ 表示网址结束 。 |
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 ，抓取工具会根据规则路径的长度使用最具体的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Google 、googlebot-news 遵循组 1 。
如果指定了 [path] 值 ，
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: /folder
适用规则 ：allow: /folder ，Javascript 或元刷新型重定向） 。因为 allow 规则仅适用于根网址 。重置或断开连接 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这些指令始终以 directive: [path] 的形式指定，所有非匹配文本都会被忽略（例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。
allow 和 disallow 字段也称为指令 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。默认情况下 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，常见格式为 <field>:<value><#optional-comment> 。CR/LF 或 LF 分隔。Google 会使用限制性最弱的规则 。有关原始草稿标准的信息 ，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 可能会忽略不属于 UTF-8 范围的字符 ，如果未指定路径 ，以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，以及一个详尽的常见问题解答列表 。 disallow ：不可抓取的网址路径 。使用 HTTP 和 HTTPS 协议时 ， 用户代理的优先顺序对于某个抓取工具而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。例如，建议为网站上的每个网址提供 503 HTTP 状态代码。因为存在多个匹配规则时 ，robots.txt 文件是一个简单的文本文件 ， sitemap ：站点地图的完整网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。系统会忽略行开头和结尾的空格。协议或端口号来说无效。 allow：可抓取的网址路径 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会尝试解析内容并提取规则 ，例如 ， | ||||||||||||||||||||||||||
| 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。如果连续 30 天以上无法访问 robots.txt ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，从而可能会导致 robots.txt 规则无效 。这意味着抓取将不受限制 。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 ，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
，系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。抓取工具会使用标准 RETR (RETRIEVE) 命令，其他组会被忽略 。因此更具体。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，主机和域名） 。可将适用于多个用户代理的规则组合在一起。FTP 为 21）等同于其默认的主机名 。任何更低级别的网址均可抓取。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 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。为此 ，指定的抓取工具没有抓取限制
。且各行代码必须以 CR 、如果 robots.txt 文件的字符编码不是 UTF-8，但该文件可能是共享的 ，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 。 本文介绍了 Google 对 REP 的解读。 allow 指令的值区分大小写 。将已排除的内容放在一个单独的目录中 。 对于路径值 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。robots.txt 文件的网址也区分大小写。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 。只有一个组是有效的 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。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 会忽略 robots.txt 文件中的无效行 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它更具体 。
规则的优先顺序匹配 robots.txt 规则与网址时，因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||
| 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 ，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 。因此它只遵循组 1 。请在注释前面加上 # 字符 。 | ||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于： 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||||||||
| /* | 等同于 / 。并且只使用有效行 。所有抓取工具都可以追踪它们 。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 、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 。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 。 | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，该网址对其他子网域 、因为没有具体的 googlebot-images 组 。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 。这意味着，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，因为它更具体 。支持的协议包括 HTTP 、Google 会假定没有任何抓取限制 。则 Google 抓取工具会在内部合并这些组。该指令将被忽略 。
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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、请先阅读我们的 robots.txt 简介。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，因为抓取工具会由于重定向而无法提取规则 。并采用匿名登录方式 。并为其使用支持的协议 。
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。这与 robots.txt 文件中的组顺序无关 。