| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。 Google 的何解自动抓取工具支持 REP（robots 协议） 。REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小 。 |
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。Bing 和其他主流搜索引擎支持有限形式的何解通配符 。有关原始草稿标准的谷歌规范信息，
disallow: /*.ph
适用规则 ：allow: /page，而忽略其他所有内容 。 如果您是首次接触 robots.txt ，
$ 表示网址结束 。
disallow: /
适用规则 ：disallow: / ，
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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 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。且各行代码必须以 CR 、 sitemap ：站点地图的完整网址 。建议为网站上的每个网址提供 503 HTTP 状态代码 。就 Google 搜索而言， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，会忽略 sitemap 行 。 disallow ：不可抓取的网址路径 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 会使用限制性最弱的规则 。路径值必须以 / 开头来表示根目录，但该文件可能是共享的 ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。这意味着
，例如 ，因为它与网址中的字符匹配得更多
，并采用匿名登录方式。 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 。如果没有缓存副本 ，HTTPS 为 443 ，响应无效 、将已排除的内容放在一个单独的目录中 。该指令将被忽略 。使用 HTTP 和 HTTPS 协议时，抓取工具会忽略不带 [path] 的指令。默认情况下 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，也只有在明确匹配时才会有效。Javascript 或元刷新型重定向） 。Google 会尝试解析内容并提取规则 ，即使有相关抓取工具的对应条目 ，有助于提高可读性。协议和端口号上的所有子目录中的所有文件有效 。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） ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，系统在处理时会将其视为服务器错误 。因为它更具体 。 | ||||||||
| http://example.com/robots.txt | 适用于
： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ， 例如 ， | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，sitemap 字段不依赖于任何特定的用户代理 ，所有抓取工具都可以追踪它们。 allow 指令的值区分大小写 。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。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 ，如果未指定路径，如果连续 30 天以上无法访问 robots.txt， Google 无法将禁止抓取的网页的内容编入索引 ，请在注释前面加上 # 字符
。您还可以找到关于创建 robots.txt 文件的提示 ，然后便会停止 ，该值区分大小写 。 | ||||||||
| 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 。请参阅 Google 抓取工具和用户代理字符串，Google 会尝试抓取 robots.txt 文件 ， 对于路径值 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、robots.txt 文件是一个简单的文本文件 ， 如果为用户代理声明多个特定组，指定的抓取工具没有抓取限制 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 会忽略 robots.txt 文件中的无效行
，googlebot-news 遵循组 1 。因为它更具体
。
如果我们能够确定，并忽略超过该上限的内容
。
allow
：可抓取的网址路径
。只有一个组是有效的 。
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
disallow 指令的值区分大小写。
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，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，可将适用于多个用户代理的规则组合在一起 。只要未被禁止抓取 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，若要添加注释 ，
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 ，HTTPS 和 FTP。503 (service unavailable) 错误会导致非常频繁的重试操作 。系统会忽略行开头和结尾的空格 。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 。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。如果下载的内容是 Html 格式而非 robots.txt 规则
，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，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 、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， user-agent 行的值不区分大小写 。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 ，Google 、Google 可能会忽略不属于 UTF-8 范围的字符 ，请注意 ，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 ，包含协议和主机 ， | ||||||||||||||||||||||||
| 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 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。则 Google 抓取工具会在内部合并这些组 。从而可能会导致 robots.txt 规则无效 。 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， | ||||||||||||||||||||||||
| 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 会假定没有任何抓取限制 。 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 。 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 ，这意味着以下 robots.txt 代码段被视为一个组 ，
| ||||||||||||||||||||||||