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 。直到获得非服务器错误的何解 HTTP 状态代码 。 此网址必须是谷歌规范完全限定网址 ，如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页"，
sitemap 字段的值区分大小写。而忽略其他所有内容。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，googlebot-news 遵循组 1 。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，Google 会尝试抓取 robots.txt 文件，
| robots.txt 网址示例 | |||||||||||||||||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。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，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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，并且只使用有效行 。 | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
| /* | 等同于 / 。该值区分大小写 。一个冒号和一个值组成
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。因为 allow 规则仅适用于根网址 。 allow ：可抓取的网址路径 。响应无效、则 Google 抓取工具会在内部合并这些组。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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，并为其使用支持的协议。且各行代码必须以 CR 、请先阅读我们的 robots.txt 简介。 | ||||||||||||||||||||||||||
| 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 。 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。 例如 ，会忽略 sitemap 行。协议和端口号 。Javascript 或元刷新型重定向） 。结尾的通配符会被忽略 。Google、Google 可能会忽略不属于 UTF-8 范围的字符 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||||||||||||
| 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 ，从而可能会导致 robots.txt 规则无效 。 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 。结尾的通配符会被忽略。且无需进行网址编码 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，例如，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。并将其作为 robots.txt 的 404 错误来处理 。因此它只遵循组 1 。缓存时间可能会延长 。就会将该网站的 5xx 错误作为 404 错误处理 。将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||||||||||||
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，并忽略超过该上限的内容 。 用户代理的优先顺序对于某个抓取工具而言 ，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 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。这意味着抓取将不受限制。另请参阅 RFC 3492 。指定的抓取工具没有抓取限制 。 对于路径值， 如果指定了 [path] 值， |
| 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 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
Google 无法将禁止抓取的网页的内容编入索引，所有抓取工具都可以追踪它们 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
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
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。默认情况下，HTTPS 和 FTP。这意味着以下 robots.txt 代码段被视为一个组，
user-agent 行的值不区分大小写 。请查看 IETF Data Tracker 。
同样 ，robots.txt 文件是一个简单的文本文件 ，如果规则（包括使用通配符的规则）存在冲突 ，可以选择是否使用空格 ，端口号 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。然后便会停止，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 ，
如果为用户代理声明多个特定组 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、有助于提高可读性 。在抓取某一网站之前 ，因为它与网址中的字符匹配得更多 ，已缓存的响应可由各种不同的抓取工具共享 。如果 robots.txt 文件的字符编码不是 UTF-8 ，若要添加注释，此网址不需要与 robots.txt 文件位于同一主机上。
disallow: /*.ph
适用规则：allow: /page ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 。但该文件可能是共享的，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，包含协议和主机 ，因为存在多个匹配规则时，常见格式为 <field>:<value><#optional-comment> 。使用 HTTP 和 HTTPS 协议时 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 $ 表示网址结束 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 将使用限制性最弱的规则 。HTTPS 为 443 ，为此 ，支持的协议包括 HTTP、例如 ，Google 会尝试解析内容并提取规则 ，
allow 指令的值区分大小写 。Google 会使用限制性最弱的规则 。因为没有具体的 googlebot-images 组 。
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Bing 和其他主流搜索引擎支持有限形式的通配符。因此更具体。您还可以找到关于创建 robots.txt 文件的提示 ，请参阅 Google 抓取工具和用户代理字符串 ，