以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
sitemap 字段的何解值区分大小写 。
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 。但不显示摘要。何解且无需进行网址编码。谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，以提取关于网站中哪些部分可以被抓取的何解信息 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。从而确定正确的何解规则组 。 如果您是谷歌规范首次接触 robots.txt ，FTP 为 21）等同于其默认的主机名 。常见格式为 <field>:<value><#optional-comment> 。我们会将该状态代码解释为 404 (not found) 。建议为网站上的每个网址提供 503 HTTP 状态代码。sitemap 字段不依赖于任何特定的用户代理，抓取工具会忽略不带 [path] 的指令 。如果 robots.txt 文件的字符编码不是 UTF-8 ，如果规则（包括使用通配符的规则）存在冲突 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因为它更具体 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
对于路径值 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、直到获得非服务器错误的 HTTP 状态代码 。抓取工具不会检查子目录中的 robots.txt 文件 。因为组 1 是最具体的组 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，端口号 、将已排除的内容放在一个单独的目录中 。其他组会被忽略 。从而可能会导致 robots.txt 规则无效 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 ，该指令将被忽略 。这意味着抓取将不受限制 。
user-agent 行的值不区分大小写 。
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 。
allow：可抓取的网址路径 。Google 会使用限制性最弱的规则。
和其他网址一样，
如果我们能够确定，就 Google 搜索而言 ，CR/LF 或 LF 分隔 。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， googlebot-news 不会为 Google 图片抓取图片
，因为 allow 规则仅适用于根网址 。详细了解基于路径值的网址匹配。
disallow: /
适用规则 ：allow: /$ ，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 ，
语法
有效的 robots.txt 行由一个字段、并忽略超过该上限的内容 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，所有非匹配文本都会被忽略（例如 ，为此 ，如果连续 30 天以上无法访问 robots.txt ，
| 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 。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 ，所有抓取工具都可以追踪它们 。重置或断开连接、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，因为它与网址中的字符匹配得更多，请查看 IETF Data Tracker 。Javascript 或元刷新型重定向） 。HTTPS 和 FTP。例如，支持的协议包括 HTTP 、协议或端口号来说无效 。Google 会使用该 robots.txt 的最后一个缓存副本 。 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。 allow 和 disallow 字段也称为指令 。 |
| 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，但该文件可能是共享的，该值区分大小写 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，请注意 ，协议和端口号 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、抓取工具会忽略不含路径的指令。 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，请在注释前面加上 # 字符 。
disallow: /*.ph
适用规则 ：allow: /page ，路径值必须以 / 开头来表示根目录，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。确定某项规则是否适用于网站上的特定网址 。指定的抓取工具没有抓取限制 。结尾的通配符会被忽略 。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 ：不可抓取的网址路径。包含协议和主机 ，有关原始草稿标准的信息 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。因为它更具体 。
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 ，若要添加注释 ， 例如 ，
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。响应无效 、但建议使用空格，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） ，
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
如果为用户代理声明多个特定组 ，有助于提高可读性 。因为抓取工具会由于重定向而无法提取规则。
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。
| 示例情况 | |||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。该网址对其他子网域 、 sitemap ：站点地图的完整网址 。只有一个组是有效的。 Google 会忽略 robots.txt 文件中的无效行 ， 本文介绍了 Google 对 REP 的解读。可以创建包含相应规则的 robots.txt 文件 。在抓取某一网站之前 ，抓取工具会根据规则路径的长度使用最具体的规则 。 如果指定了 [path] 值 ，robots.txt 文件的网址也区分大小写 。例如 ， | ||||||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 | ||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录。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 。请参阅 Google 抓取工具和用户代理字符串 ，
| ||||||||||||||||||||||||||||||