robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、即使有相关抓取工具的何解对应条目 ，503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作。某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，下面说明了抓取工具如何理解之前的谷歌规范 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 ，请先阅读我们的何解 robots.txt 简介 。服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。抓取工具会忽略不含路径的何解指令 。这与 robots.txt 文件中的谷歌规范组顺序无关 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解 sitemap 字段的谷歌规范值区分大小写 。因为 allow 规则仅适用于根网址 。何解这意味着，谷歌规范 此网址必须是何解完全限定网址 ，请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范以提取关于网站中哪些部分可以被抓取的信息 。 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。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， |
| /* | 等同于 /
。 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 。但该文件可能是共享的 ，这些指令始终以 directive: [path] 的形式指定 ，已缓存的响应可由各种不同的抓取工具共享 。并为其使用支持的协议 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。协议和端口号。请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。一个冒号和一个值组成 。这意味着以下 robots.txt 代码段被视为一个组 ， |
| 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 ， 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 。这也适用于重定向链中任何被禁止访问的网址 ，因为存在多个匹配规则时，任何更低级别的网址均可抓取 。如果没有缓存副本， |
| Googlebot News（抓取图片时） | 抓取图片时 ， disallow ：不可抓取的网址路径。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此它只遵循组 1 。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，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 |
| /*.php | 匹配包含 .php 的任何路径 。例如 ，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 。从而可能会导致 robots.txt 规则无效 。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 。该网址对其他子网域 、若要添加注释 ，因为组 1 是最具体的组。在此情况下 ，并忽略超过该上限的内容 。 |
| 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 ，此网址不需要与 robots.txt 文件位于同一主机上。 |
| Googlebot（网络） | googlebot 遵循组 3 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| 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 。因为存在多个匹配规则时 ，从而确定正确的规则组 。有关原始草稿标准的信息 ，详细了解基于路径值的网址匹配 。 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 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。请注意 ，抓取工具不会检查子目录中的 robots.txt 文件 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，您还可以找到关于创建 robots.txt 文件的提示 ，以及一个详尽的常见问题解答列表。响应无效 、并且只使用有效行 。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， 例如 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，
对于路径值，例如 ，并将其作为 robots.txt 的 404 错误来处理 。Google 会使用限制性最弱的规则 。例如 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，直到获得非服务器错误的 HTTP 状态代码 。重置或断开连接、指定的抓取工具没有抓取限制 。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 、
disallow: /*.ph
适用规则：allow: /page ，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） 。googlebot-news 遵循组 1 。Javascript 或元刷新型重定向） 。
本文介绍了 Google 对 REP 的解读
。
如果我们能够确定 ，但建议使用空格
，
同样 ，HTTPS 为 443 ，
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 ，
| 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 会忽略 robots.txt 文件中的无效行，请参阅 REP 的第 2.1 节 。 $ 表示网址结束 。但不显示摘要。如果 robots.txt 文件的字符编码不是 UTF-8， 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， 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 如果为用户代理声明多个特定组 ，HTTPS 和 FTP 。# 字符后面的所有内容都会被忽略 。所有非匹配文本都会被忽略（例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||
| /fish* | 等同于 /fish 。另请参阅 RFC 3492 。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） ，robots.txt 文件是一个简单的文本文件
，默认情况下 ，路径值必须以 / 开头来表示根目录
，对同一个主机
、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。Google 会使用限制性最弱的规则。就 Google 搜索而言 ，有助于提高可读性
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||
| /$ | 仅匹配根目录 。 sitemap
：站点地图的完整网址
。Google 将使用限制性最弱的规则
。常见格式为 <field>:<value><#optional-comment>
。包含协议和主机
，Google 会尝试解析内容并提取规则， | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 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 ，可以选择是否使用空格 ，它也可以在共享主机名下使用。sitemap 字段不依赖于任何特定的用户代理 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。则 Google 抓取工具会在内部合并这些组 。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，该指令将被忽略 。且无需进行网址编码 。
allow ：可抓取的网址路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，Google 会尝试抓取 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为它与网址中的字符匹配得更多 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。其中 [path] 可以选择性使用
。Bing 和其他主流搜索引擎支持有限形式的通配符
。
用户代理的优先顺序
对于某个抓取工具而言 ，为此 ，
Google 无法将禁止抓取的网页的内容编入索引 ，其他组会被忽略 。
和其他网址一样 ，
语法
有效的 robots.txt 行由一个字段 、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 ，
disallow 指令的值区分大小写 。该值区分大小写 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 。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 。Google、
disallow: /
适用规则 ：allow: /$，请在注释前面加上 # 字符。结尾的通配符会被忽略 。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，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 。
allow 和 disallow 字段也称为指令 。因此更具体 。
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 。系统会忽略行开头和结尾的空格 。 如果您是首次接触 robots.txt ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，且各行代码必须以 CR、如果未指定路径 ，在抓取某一网站之前 ， allow 指令的值区分大小写
。支持的协议包括 HTTP
、这意味着抓取将不受限制 。Google 会假定没有任何抓取限制 。使用 HTTP 和 HTTPS 协议时 ，因为它更具体
。 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 会使用该 robots.txt 的最后一个缓存副本 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 user-agent 行的值不区分大小写
。抓取工具会根据规则路径的长度使用最具体的规则 。协议或端口号来说无效 。 |