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 。
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谷歌规范规则组 ：
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 ，因为没有具体的何解 googlebot-images 组 。若要添加注释 ，谷歌规范
语法
有效的何解 robots.txt 行由一个字段 、因为组 1 是谷歌规范最具体的组。您可以指定多个 sitemap 字段。何解
如果您需要暂停抓取 ，谷歌规范常见格式为 <field>:<value><#optional-comment> 。何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范任何更低级别的网址均可抓取
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。协议和端口号 。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 ，使用 HTTP 和 HTTPS 协议时 ， 如果您是首次接触 robots.txt，Google 将使用限制性最弱的规则。
disallow 指令的值区分大小写 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
和其他网址一样 ，
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
sitemap：站点地图的完整网址 。例如 ，
user-agent 行的值不区分大小写 。该指令将被忽略 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。CR/LF 或 LF 分隔 。
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
，抓取工具会忽略不带 [path] 的指令
。
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 。
disallow: /folder
适用规则 ：allow: /folder，此网址不需要与 robots.txt 文件位于同一主机上 。googlebot-news 遵循组 1 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会假定没有任何抓取限制 。如果没有缓存副本 ，
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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，响应无效 、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。
用户代理的优先顺序
对于某个抓取工具而言 ，指定的抓取工具没有抓取限制 。为此 ，所有非匹配文本都会被忽略（例如 ，其中 [path] 可以选择性使用 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。# 字符后面的所有内容都会被忽略 。因为它更具体 。Google 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为抓取工具会由于重定向而无法提取规则 。
如果为用户代理声明多个特定组，
disallow: /
适用规则：allow: /$ ，可以创建包含相应规则的 robots.txt 文件。抓取工具会忽略不含路径的指令。就会将该网站的 5xx 错误作为 404 错误处理 。详细了解基于路径值的网址匹配。只要未被禁止抓取 ，但该文件可能是共享的 ，以提取关于网站中哪些部分可以被抓取的信息 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。并且只使用有效行 。
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。可以选择是否使用空格 ，
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。主机和域名） 。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 抓取工具会下载并解析该网站的 robots.txt 文件 ，
本文介绍了 Google 对 REP 的解读 。例如 ，
sitemap 字段的值区分大小写 。 此网址必须是完全限定网址 ，端口号 、请参阅 Google 抓取工具和用户代理字符串 ，
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。所有抓取工具都可以追踪它们 。将已排除的内容放在一个单独的目录中。
allow 和 disallow 字段也称为指令 。Google 会使用该 robots.txt 的最后一个缓存副本 。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/
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 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
Google 会忽略 robots.txt 文件中的无效行 ，以及一个详尽的常见问题解答列表 。但不显示摘要 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。然后便会停止 ，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 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。 Google 无法将禁止抓取的网页的内容编入索引 ，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 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定，有助于提高可读性 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，如果规则（包括使用通配符的规则）存在冲突 ，且各行代码必须以 CR、Javascript 或元刷新型重定向） 。 Google 的自动抓取工具支持 REP（robots 协议） 。缓存时间可能会延长 。 allow 指令的值区分大小写 。例如 ，就 Google 搜索而言 ，协议和端口号上的所有子目录中的所有文件有效 。 如果指定了 [path] 值，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会尝试解析内容并提取规则 ，并为其使用支持的协议。在此情况下 ，有关原始草稿标准的信息 ， | ||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，您还可以找到关于创建 robots.txt 文件的提示 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，它也可以在共享主机名下使用 。 如果我们能够确定 ，另请参阅 RFC 3492 。 | ||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、robots.txt 文件的网址也区分大小写。在抓取某一网站之前，因为存在多个匹配规则时 ， $ 表示网址结束 。从而确定正确的规则组。 对于路径值 ， | ||||||||||||||||||||||||||||
| 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
，也只有在明确匹配时才会有效 。已缓存的响应可由各种不同的抓取工具共享 。会忽略 sitemap 行 。如果未指定路径 ，sitemap 字段不依赖于任何特定的用户代理，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、我们会将该状态代码解释为 404 (not found) 。则 Google 抓取工具会在内部合并这些组 。
| ||||||||||||||||||||||||||||