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。
如果我们能够确定 ，何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范robots.txt 文件是何解一个简单的文本文件，如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，因为它更具体 。何解一个冒号和一个值组成 。谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，Google 会尝试抓取 robots.txt 文件 ，谷歌规范所有抓取工具都可以追踪它们
。何解
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
如果指定了 [path] 值 ，谷歌规范
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。可将适用于多个用户代理的规则组合在一起 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 。此网址不需要与 robots.txt 文件位于同一主机上 。并采用匿名登录方式 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 ，支持的协议包括 HTTP 、请参阅 REP 的第 2.1 节。即使有相关抓取工具的对应条目 ，
如果您需要暂停抓取 ，但不显示摘要 。我们会将该状态代码解释为 404 (not found) 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这意味着抓取将不受限制 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 特定于用户代理的组和全局组 (*) 不会合并 。并忽略超过该上限的内容。因为它更具体 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。且无需进行网址编码 。
Google 会忽略 robots.txt 文件中的无效行 ，响应无效 、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 ，
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 。
$ 表示网址结束 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。该值区分大小写 。HTTPS 和 FTP 。它也可以在共享主机名下使用 。因为存在多个匹配规则时，Google 、
| 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 无法将禁止抓取的网页的内容编入索引， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， Google 的自动抓取工具支持 REP（robots 协议） 。如果连续 30 天以上无法访问 robots.txt ，可以创建包含相应规则的 robots.txt 文件 。Google 会使用限制性最弱的规则 。 语法有效的 robots.txt 行由一个字段、重置或断开连接 、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，也只有在明确匹配时才会有效。
# 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 ，
对于路径值 ，使用 HTTP 和 HTTPS 协议时 ，如果没有缓存副本
，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，已缓存的响应可由各种不同的抓取工具共享 。Google 会使用该 robots.txt 的最后一个缓存副本
。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） 。
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap 字段的值区分大小写 。协议或端口号来说无效 。
disallow 指令的值区分大小写 。
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，HTTPS 为 443 ，指定的抓取工具没有抓取限制 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， googlebot-news 不会为 Google 图片抓取图片 ，以及一个详尽的常见问题解答列表 。端口号 、包含协议和主机 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 。就会将该网站的 5xx 错误作为 404 错误处理。协议和端口号 。因为 allow 规则仅适用于根网址 。对同一个主机 、 如果您是首次接触 robots.txt ，就 Google 搜索而言，CR/LF 或 LF 分隔 。
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 。在此情况下，其他组会被忽略 。这也适用于重定向链中任何被禁止访问的网址 ，所有非匹配文本都会被忽略（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 。这意味着 ，请在注释前面加上 # 字符 。详细了解基于路径值的网址匹配。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。直到获得非服务器错误的 HTTP 状态代码 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 ，Google 会使用限制性最弱的规则 。Google 会假定没有任何抓取限制 。该网址对其他子网域 、sitemap 字段不依赖于任何特定的用户代理 ，
allow 指令的值区分大小写 。您可以指定多个 sitemap 字段 。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 ，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 。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 ，因为组 1 是最具体的组。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 、这与 robots.txt 文件中的组顺序无关。建议为网站上的每个网址提供 503 HTTP 状态代码。例如 ，
disallow: /folder
适用规则：allow: /folder ，但该文件可能是共享的 ，
sitemap：站点地图的完整网址 。缓存时间可能会延长 。
disallow：不可抓取的网址路径 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。而忽略其他所有内容。从而确定正确的规则组 。了解如何阻止编入索引 。
用户代理的优先顺序
对于某个抓取工具而言 ，从而可能会导致 robots.txt 规则无效。您还可以找到关于创建 robots.txt 文件的提示 ，常见格式为 <field>:<value><#optional-comment>。因为没有具体的 googlebot-images 组 。 路径中的非 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。
| 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
。在抓取某一网站之前 ， 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 ，路径值必须以 / 开头来表示根目录 ，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 ，
| ||||||||||||||||||||||||||||||||||||||||