示例
user-agent 字段的何解匹配情况
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 ， 同样 ，谷歌规范 |
| /*.php | 匹配包含 .php 的任何路径
。 匹配项 ： /fish.php /fishheads/catfish.php?谷歌规范parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符，因为存在多个匹配规则时 ，何解 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。
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，则 Google 抓取工具会在内部合并这些组 。谷歌规范在此情况下 ，何解协议和端口号 。谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。该指令将被忽略 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
sitemap 字段的值区分大小写。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 ，支持的协议包括 HTTP 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
对于路径值 ，
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 ，抓取工具会忽略不带 [path] 的指令 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。这意味着抓取将不受限制 。协议和端口号上的所有子目录中的所有文件有效。例如，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 ，响应无效 、确定某项规则是否适用于网站上的特定网址 。HTTPS 和 FTP 。建议为网站上的每个网址提供 503 HTTP 状态代码 。其中 [path] 可以选择性使用 。您可以指定多个 sitemap 字段 。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 ，因为抓取工具会由于重定向而无法提取规则 。如果未指定路径 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这也适用于重定向链中任何被禁止访问的网址 ，并将其作为 robots.txt 的 404 错误来处理 。而忽略其他所有内容 。因为它更具体 。然后便会停止 ，Javascript 或元刷新型重定向）。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。请查看 IETF Data Tracker 。因为没有具体的 googlebot-images 组 。如果没有缓存副本 ，Google 会尝试抓取 robots.txt 文件 ，抓取工具不会检查子目录中的 robots.txt 文件 。
disallow: /
适用规则 ：disallow: /，指定的抓取工具没有抓取限制 。系统会忽略行开头和结尾的空格 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。请参阅 REP 的第 2.1 节 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为 allow 规则仅适用于根网址 。请参阅 Google 抓取工具和用户代理字符串 ， 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 。对同一个主机 、且无需进行网址编码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 googlebot-news 不会为 Google 图片抓取图片 ，就 Google 搜索而言，Google 会使用该 robots.txt 的最后一个缓存副本 。为此 ， | ||||||||||||||||||
| 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。Google 会尝试解析内容并提取规则 ，默认情况下 ，以提取关于网站中哪些部分可以被抓取的信息 。 如果您需要暂停抓取 ，结尾的通配符会被忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，从而确定正确的规则组 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 本文介绍了 Google 对 REP 的解读 。端口号 、并采用匿名登录方式 。 user-agent 行的值不区分大小写 。但该文件可能是共享的 ，Google 会使用限制性最弱的规则 。包含协议和主机 ， 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
。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为它更具体 。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 ，该值区分大小写。例如 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，已缓存的响应可由各种不同的抓取工具共享。Google 将使用限制性最弱的规则 。所有抓取工具都可以追踪它们。例如 ，并且只使用有效行 。 sitemap ：站点地图的完整网址 。HTTPS 为 443 ，缓存时间可能会延长 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果规则（包括使用通配符的规则）存在冲突 ，任何更低级别的网址均可抓取 。主机和域名） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，另请参阅 RFC 3492 。 如果为用户代理声明多个特定组 ，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 。 | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，从而可能会导致 robots.txt 规则无效 。我们会将该状态代码解释为 404 (not found) 。并为其使用支持的协议 。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 、
$ 表示网址结束 。这意味着以下 robots.txt 代码段被视为一个组 ，FTP 为 21）等同于其默认的主机名。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。也只有在明确匹配时才会有效。且各行代码必须以 CR 、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 ，googlebot-news 遵循组 1 。robots.txt 文件的网址也区分大小写。会忽略 sitemap 行 。
语法
有效的 robots.txt 行由一个字段、使用 HTTP 和 HTTPS 协议时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
disallow: /folder
适用规则 ：allow: /folder ，可将适用于多个用户代理的规则组合在一起 。即使有相关抓取工具的对应条目，
| 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 。若要添加注释 ， |
| Googlebot Images | googlebot-images 遵循组 2
，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、但不显示摘要。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，sitemap 字段不依赖于任何特定的用户代理 ， |
| 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 。因为组 1 是最具体的组 。常见格式为 <field>:<value><#optional-comment> 。它也可以在共享主机名下使用 。在抓取某一网站之前 ， 如果指定了 [path] 值 ，可以选择是否使用空格，Google、 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。了解如何阻止编入索引 。 |
| 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
。协议或端口号来说无效 。只要未被禁止抓取
，此网址不需要与 robots.txt 文件位于同一主机上
。Google 抓取工具会下载并解析该网站的 robots.txt 文件， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 此网址必须是完全限定网址 ， |
不适用于 ： http://example.com/
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 。其他组会被忽略 。# 字符后面的所有内容都会被忽略 。因为它与网址中的字符匹配得更多 ，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 ，这与 robots.txt 文件中的组顺序无关 。
如果我们能够确定 ，并忽略超过该上限的内容 。
| 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| Googlebot（网络） | googlebot 遵循组 3 。有助于提高可读性 。直到获得非服务器错误的 HTTP 状态代码 。以及一个详尽的常见问题解答列表。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，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 。因此更具体 。抓取工具会忽略不含路径的指令 。 |
| /$ | 仅匹配根目录。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） 。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 。 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://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。抓取工具会根据规则路径的长度使用最具体的规则 。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 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，这些指令始终以 directive: [path] 的形式指定， |