以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解如果没有缓存副本，谷歌规范但该文件可能是何解共享的 ，但建议使用空格 ，谷歌规范详细了解基于路径值的何解网址匹配 。但不显示摘要 。谷歌规范
# 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 ，因为组 1 是最具体的组 。结尾的通配符会被忽略 。抓取工具会忽略不带 [path] 的指令 。路径值必须以 / 开头来表示根目录，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、例如 ，缓存时间可能会延长 。
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 。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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。抓取工具会忽略不含路径的指令 。已缓存的响应可由各种不同的抓取工具共享 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这意味着 ，
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，如果下载的内容是 Html 格式而非 robots.txt 规则
， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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。该网址对其他子网域 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google、我们会将该状态代码解释为 404 (not found) 。指定的抓取工具没有抓取限制 。 | ||||
| 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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会尝试抓取 robots.txt 文件，响应无效、 | ||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会使用限制性最弱的规则 。Google 可能会忽略不属于 UTF-8 范围的字符 ， allow ：可抓取的网址路径 。 | ||||
| 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 ，就会将该网站的 5xx 错误作为 404 错误处理 。并忽略超过该上限的内容。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。而忽略其他所有内容 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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， 特定于用户代理的组和全局组 (*) 不会合并 。协议和端口号 。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /
适用规则 ：disallow: / ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具会根据规则路径的长度使用最具体的规则 。请注意 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。在抓取某一网站之前 ，且各行代码必须以 CR、
用户代理的优先顺序
对于某个抓取工具而言 ，例如 ，因此更具体 。
disallow: /
适用规则 ：allow: /$ ，
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 无法将禁止抓取的网页的内容编入索引 ，
allow 指令的值区分大小写。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果为用户代理声明多个特定组 ，
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。只要未被禁止抓取 ，
$ 表示网址结束 。此网址不需要与 robots.txt 文件位于同一主机上
。您可以指定多个 sitemap 字段。如果连续 30 天以上无法访问 robots.txt ，
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
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、且无需进行网址编码。则 Google 抓取工具会在内部合并这些组 。
| 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 。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 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 如果指定了 [path] 值 ，也只有在明确匹配时才会有效 。 |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 例如 ， 对于路径值 ，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）。为此 ，Google 将使用限制性最弱的规则 。Javascript 或元刷新型重定向） 。对同一个主机 、任何更低级别的网址均可抓取 。直到获得非服务器错误的 HTTP 状态代码 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 Google 会忽略 robots.txt 文件中的无效行，若要添加注释 ， user-agent 行的值不区分大小写 。 sitemap ：站点地图的完整网址 。因为它与网址中的字符匹配得更多，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 ，请先阅读我们的 robots.txt 简介 。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 ，会忽略 sitemap 行 。 sitemap 字段的值区分大小写 。 |
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，确定某项规则是否适用于网站上的特定网址 。 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 。
本文介绍了 Google 对 REP 的解读 。即使有相关抓取工具的对应条目 ，HTTPS 和 FTP 。 如果您是首次接触 robots.txt ，Google 会使用限制性最弱的规则。这也适用于重定向链中任何被禁止访问的网址 ，
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 。
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 会尝试解析内容并提取规则 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，有助于提高可读性 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，其中 [path] 可以选择性使用 。
disallow ：不可抓取的网址路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，在此情况下 ，以及一个详尽的常见问题解答列表 。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 ，您还可以找到关于创建 robots.txt 文件的提示 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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 。并将其作为 robots.txt 的 404 错误来处理。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， | ||||||||
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 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 。 如果我们能够确定，Google 会假定没有任何抓取限制。HTTPS 为 443 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为存在多个匹配规则时 ，然后便会停止 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。Bing 和其他主流搜索引擎支持有限形式的通配符 。常见格式为 <field>:<value><#optional-comment> 。因为它更具体 。从而可能会导致 robots.txt 规则无效 。只有一个组是有效的 。另请参阅 RFC 3492 。将已排除的内容放在一个单独的目录中。因为存在多个匹配规则时 ，系统会忽略行开头和结尾的空格 。所有非匹配文本都会被忽略（例如 ，这意味着以下 robots.txt 代码段被视为一个组，可以创建包含相应规则的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起 。它也可以在共享主机名下使用 。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。所有抓取工具都可以追踪它们 。从而确定正确的规则组。以提取关于网站中哪些部分可以被抓取的信息 。这意味着抓取将不受限制 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。协议或端口号来说无效。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，请在注释前面加上 # 字符 。 disallow 指令的值区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， | ||||||||
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 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 。抓取工具不会检查子目录中的 robots.txt 文件 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 、如果规则（包括使用通配符的规则）存在冲突 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为没有具体的 googlebot-images 组 。 | ||||||||
| /$ | 仅匹配根目录 。包含协议和主机 ， 同样 ， | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
语法
有效的 robots.txt 行由一个字段 、
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 。# 字符后面的所有内容都会被忽略。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。请参阅 REP 的第 2.1 节 。请查看 IETF Data Tracker 。并采用匿名登录方式 。