有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例
。且各行代码必须以 CR
、谷歌规范googlebot-news 遵循组 1 。何解因为存在多个匹配规则时 ，谷歌规范
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
$ 表示网址结束 。谷歌规范
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。端口号 、谷歌规范robots.txt 文件的网址也区分大小写 。这意味着抓取将不受限制 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Javascript 或元刷新型重定向） 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。详细了解基于路径值的网址匹配 。任何更低级别的网址均可抓取 。但该文件可能是共享的
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
| 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 。系统会忽略行开头和结尾的空格 。 |
| /fish | 匹配以 /fish 开头的任何路径。 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 。 |
| 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。协议和端口号上的所有子目录中的所有文件有效 。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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， |
| 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，将已排除的内容放在一个单独的目录中 。 语法有效的 robots.txt 行由一个字段 、结尾的通配符会被忽略 。 disallow 指令的值区分大小写。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， user-agent 行的值不区分大小写 。且无需进行网址编码 。它也可以在共享主机名下使用。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。# 字符后面的所有内容都会被忽略 。Google 可能会忽略不属于 UTF-8 范围的字符 ，这也适用于重定向链中任何被禁止访问的网址 ，从而确定正确的规则组 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 |
| 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
，请先阅读我们的 robots.txt 简介 。 allow ：可抓取的网址路径 。您还可以找到关于创建 robots.txt 文件的提示 ，如果未指定路径 ，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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，
如果您需要暂停抓取，建议为网站上的每个网址提供 503 HTTP 状态代码 。缓存时间可能会延长 。对同一个主机 、
sitemap：站点地图的完整网址。抓取工具不会检查子目录中的 robots.txt 文件 。有助于提高可读性 。而忽略其他所有内容 。例如 ，
如果我们能够确定 ，因为存在多个匹配规则时 ，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 。
如果为用户代理声明多个特定组，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。以及一个详尽的常见问题解答列表 。 特定于用户代理的组和全局组 (*) 不会合并 。但建议使用空格 ，例如 ，但不显示摘要 。并采用匿名登录方式 。直到获得非服务器错误的 HTTP 状态代码。协议和端口号 。主机和域名）。了解如何阻止编入索引 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。只有一个组是有效的 。
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 ，Google 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，就会将该网站的 5xx 错误作为 404 错误处理。Google 将使用限制性最弱的规则 。因为抓取工具会由于重定向而无法提取规则 。其中 [path] 可以选择性使用。如果连续 30 天以上无法访问 robots.txt ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap 字段的值区分大小写 。
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
，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 、
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
disallow: /
适用规则 ：allow: /$，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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
和其他网址一样，我们会将该状态代码解释为 404 (not found) 。常见格式为 <field>:<value><#optional-comment> 。请参阅 Google 抓取工具和用户代理字符串 ，并将其作为 robots.txt 的 404 错误来处理 。 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 。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。
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 。这意味着以下 robots.txt 代码段被视为一个组 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。因为没有具体的 googlebot-images 组
。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 ，系统在处理时会将其视为服务器错误 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，CR/LF 或 LF 分隔 。即使有相关抓取工具的对应条目 ，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 ，因此更具体 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。HTTPS 为 443 ，可以选择是否使用空格，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有抓取工具都可以追踪它们。确定某项规则是否适用于网站上的特定网址。
如果指定了 [path] 值 ，
# 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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、指定的抓取工具没有抓取限制 。 如果您是首次接触 robots.txt
，如果没有缓存副本 ，在抓取某一网站之前，响应无效 、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：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /*.ph
适用规则 ：allow: /page ， 此网址必须是完全限定网址 ，
allow 指令的值区分大小写。因为它更具体 。HTTPS 和 FTP 。包含协议和主机 ，Google 会使用限制性最弱的规则。重置或断开连接 、有关原始草稿标准的信息，可将适用于多个用户代理的规则组合在一起。例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并且只使用有效行 。
用户代理的优先顺序
对于某个抓取工具而言，这意味着 ，这些指令始终以 directive: [path] 的形式指定 ，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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，抓取工具会忽略不带 [path] 的指令 。 Google 的自动抓取工具支持 REP（robots 协议）。默认情况下 ， | ||||||||||||||||
| 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 。其他组会被忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ，该值区分大小写 。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，这与 robots.txt 文件中的组顺序无关 。就 Google 搜索而言 ，您可以指定多个 sitemap 字段 。则 Google 抓取工具会在内部合并这些组 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。 allow 和 disallow 字段也称为指令 。请在注释前面加上 # 字符。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并忽略超过该上限的内容。使用 HTTP 和 HTTPS 协议时 ，为此， 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 ：
| ||||||||||||||||