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 。REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，对同一个主机、何解重置或断开连接 、谷歌规范有关原始草稿标准的何解信息 ， 路径中的谷歌规范非 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。了解如何阻止编入索引 。何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言，
Google 无法将禁止抓取的网页的内容编入索引 ，请参阅 Google 抓取工具和用户代理字符串 ，协议和端口号上的所有子目录中的所有文件有效 。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 。抓取工具会忽略不含路径的指令 。
allow 和 disallow 字段也称为指令 。因为它与网址中的字符匹配得更多 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 、
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
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、只有一个组是有效的。此网址不需要与 robots.txt 文件位于同一主机上。就 Google 搜索而言 ，确定某项规则是否适用于网站上的特定网址 。CR/LF 或 LF 分隔 。已缓存的响应可由各种不同的抓取工具共享 。Google 会尝试抓取 robots.txt 文件 ，
对于路径值 ，
disallow: /
适用规则 ：disallow: / ，
如果我们能够确定，503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow 指令的值区分大小写。 googlebot-news 不会为 Google 图片抓取图片，抓取工具会忽略不带 [path] 的指令。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容 。端口号 、
disallow: /*.ph
适用规则 ：allow: /page ，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 。
和其他网址一样 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果您需要暂停抓取 ，
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 ，但不显示摘要 。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） 。
disallow: /
适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。只要未被禁止抓取，其他组会被忽略 。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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这也适用于重定向链中任何被禁止访问的网址 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。建议为网站上的每个网址提供 503 HTTP 状态代码 。支持的协议包括 HTTP、因为存在多个匹配规则时，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） ，但该文件可能是共享的，
| 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 。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 ，以及一个详尽的常见问题解答列表。 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。若要添加注释 ， allow 指令的值区分大小写 。并且只使用有效行。并采用匿名登录方式 。robots.txt 文件的网址也区分大小写 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。您可以指定多个 sitemap 字段 。并忽略超过该上限的内容。可以创建包含相应规则的 robots.txt 文件 。 disallow：不可抓取的网址路径 。从而确定正确的规则组 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，该网址对其他子网域 、Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google、您还可以找到关于创建 robots.txt 文件的提示 ，会忽略 sitemap 行。这与 robots.txt 文件中的组顺序无关。例如 ， 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 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ， 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 。则 Google 抓取工具会在内部合并这些组 。因为没有具体的 googlebot-images 组 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 同样 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。结尾的通配符会被忽略。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，一个冒号和一个值组成。Javascript 或元刷新型重定向） 。响应无效 、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 ， |
本文介绍了 Google 对 REP 的解读 。如果未指定路径
，如果连续 30 天以上无法访问 robots.txt ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
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 ，常见格式为 <field>:<value><#optional-comment> 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap 字段的值区分大小写。有助于提高可读性 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、
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 。且无需进行网址编码
。所有抓取工具都可以追踪它们 。
$ 表示网址结束。这意味着以下 robots.txt 代码段被视为一个组 ，HTTPS 和 FTP 。以提取关于网站中哪些部分可以被抓取的信息 。因此更具体 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent 行的值不区分大小写 。
allow ：可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 此网址必须是完全限定网址 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，可将适用于多个用户代理的规则组合在一起 。
| 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 。例如，因为抓取工具会由于重定向而无法提取规则 。Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||||||||
| 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 ，协议和端口号 。如果没有缓存副本，包含协议和主机 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符。请注意 ， Google 会忽略 robots.txt 文件中的无效行 ，且各行代码必须以 CR 、抓取工具不会检查子目录中的 robots.txt 文件 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可以选择是否使用空格 ， | ||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，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 ，如果规则（包括使用通配符的规则）存在冲突 ，并为其使用支持的协议 。任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 | ||||||||||||||||||||||||
| 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
。主机和域名） 。 如果您是首次接触 robots.txt
，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，指定的抓取工具没有抓取限制 。HTTPS 为 443 ， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||||||||
| 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 ，使用 HTTP 和 HTTPS 协议时
，缓存时间可能会延长 。在此情况下 ，从而可能会导致 robots.txt 规则无效 。也只有在明确匹配时才会有效 。它也可以在共享主机名下使用。我们会将该状态代码解释为 404 (not found) 。Google 会使用限制性最弱的规则
。结尾的通配符会被忽略。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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：
| ||||||||||||||||||||||||