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 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。
sitemap 字段的谷歌规范值区分大小写 。并为其使用支持的何解协议 。Google 、谷歌规范因为它更具体 。因为组 1 是最具体的组。
disallow: /
适用规则 ：disallow: / ，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） 。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、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，该值区分大小写。并将其作为 robots.txt 的 404 错误来处理。但该文件可能是共享的，主机和域名） 。我们会将该状态代码解释为 404 (not found) 。
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
，
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 ，HTTPS 为 443 ，在此情况下 ，Google 会尝试解析内容并提取规则 ，
如果为用户代理声明多个特定组，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，# 字符后面的所有内容都会被忽略。您可以指定多个 sitemap 字段 。并忽略超过该上限的内容。所有抓取工具都可以追踪它们 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，且无需进行网址编码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
| 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 。以及一个详尽的常见问题解答列表 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。端口号 、缓存时间可能会延长 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，sitemap 字段不依赖于任何特定的用户代理 ，因为存在多个匹配规则时
，然后便会停止 ，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 ，请查看 IETF Data Tracker。Google 会假定没有任何抓取限制。如果连续 30 天以上无法访问 robots.txt， sitemap ：站点地图的完整网址。支持的协议包括 HTTP 、详细了解基于路径值的网址匹配 。在抓取某一网站之前 ，所有非匹配文本都会被忽略（例如 ，CR/LF 或 LF 分隔 。为此 ，抓取工具会忽略不带 [path] 的指令 。协议或端口号来说无效 。因为抓取工具会由于重定向而无法提取规则 。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 ， 特定于用户代理的组和全局组 (*) 不会合并 。并采用匿名登录方式 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，路径值必须以 / 开头来表示根目录 ，Google 、 |
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 会使用限制性最弱的规则 。因此它只遵循组 1 。响应无效 、若要添加注释 ，Google 会使用限制性最弱的规则
。例如 ， 同样 ，且各行代码必须以 CR、Google 将使用限制性最弱的规则 。 对于路径值 ，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 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，这意味着抓取将不受限制 。结尾的通配符会被忽略 。HTTPS 和 FTP 。robots.txt 文件是一个简单的文本文件 ， |
| /fish | 匹配以 /fish 开头的任何路径。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 |
| /$ | 仅匹配根目录。默认情况下，也只有在明确匹配时才会有效。可以创建包含相应规则的 robots.txt 文件 。此网址不需要与 robots.txt 文件位于同一主机上。请参阅 REP 的第 2.1 节。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， 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 。对同一个主机
、确定某项规则是否适用于网站上的特定网址 。例如
， |
Google 无法将禁止抓取的网页的内容编入索引，
如果您需要暂停抓取
，例如 ，因为 allow 规则仅适用于根网址。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具
。结尾的通配符会被忽略
。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /folder
适用规则 ：allow: /folder ，请在注释前面加上 # 字符 。
本文介绍了 Google 对 REP 的解读 。 googlebot-news 不会为 Google 图片抓取图片，
用户代理的优先顺序
对于某个抓取工具而言，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小。将已排除的内容放在一个单独的目录中 。
| 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： 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 ，其中 [path] 可以选择性使用 。直到获得非服务器错误的 HTTP 状态代码 。 disallow 指令的值区分大小写 。 | ||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。则 Google 抓取工具会在内部合并这些组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。 | ||||||||||||||||||||||||||||
| /* | 等同于 / 。如果没有缓存副本， | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。因为存在多个匹配规则时 ， 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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，常见格式为 <field>:<value><#optional-comment>。 | ||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 Google 的自动抓取工具支持 REP（robots 协议） 。请注意 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 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。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、使用 HTTP 和 HTTPS 协议时 ， 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 ：
| ||||||||||||||||||||||||||||