http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范请先阅读我们的何解 robots.txt 简介。
示例
user-agent 字段的谷歌规范匹配情况
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 ， 如果我们能够确定 ，何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ， 对于路径值 ，何解 本文介绍了 Google 对 REP 的谷歌规范解读 。 |
| 5xx（服务器错误） | 由于服务器无法对 Google 的何解 robots.txt 请求提供明确响应 ，该指令将被忽略 。谷歌规范因为它与网址中的何解字符匹配得更多 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、谷歌规范 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。 和其他网址一样 ，您可以指定多个 sitemap 字段。 Google 的自动抓取工具支持 REP（robots 协议） 。已缓存的响应可由各种不同的抓取工具共享。 Google 无法将禁止抓取的网页的内容编入索引 ， |
| Googlebot News（抓取图片时） | 抓取图片时，并且只使用有效行。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，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） ，因为存在多个匹配规则时 ，您还可以找到关于创建 robots.txt 文件的提示， 此网址必须是完全限定网址 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，它也可以在共享主机名下使用 。这意味着抓取将不受限制。
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果未指定路径 ，即使有相关抓取工具的对应条目，为此，因为存在多个匹配规则时，如果下载的内容是 Html 格式而非 robots.txt 规则 ，所有非匹配文本都会被忽略（例如，例如 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。详细了解基于路径值的网址匹配 。若要添加注释 ， 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 。robots.txt 文件的网址也区分大小写 。主机和域名） 。可以创建包含相应规则的 robots.txt 文件 。
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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。且各行代码必须以 CR 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，CR/LF 或 LF 分隔 。如果规则（包括使用通配符的规则）存在冲突，例如 ，Javascript 或元刷新型重定向） 。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 ，其他组会被忽略。
| 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
。例如 ，抓取工具会忽略不含路径的指令 。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） 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，这意味着以下 robots.txt 代码段被视为一个组，但建议使用空格
，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
， $ 表示网址结束 。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 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 ， 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 。 如果您是首次接触 robots.txt ，我们会将该状态代码解释为 404 (not found)。 | ||||||||||||||||
| /fish* | 等同于 /fish 。并采用匿名登录方式 。 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 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。其中 [path] 可以选择性使用 。Google 会假定没有任何抓取限制。而忽略其他所有内容 。可将适用于多个用户代理的规则组合在一起 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。会忽略 sitemap 行 。指定的抓取工具没有抓取限制
。 特定于用户代理的组和全局组 (*) 不会合并。Google 将使用限制性最弱的规则
。Google 会使用限制性最弱的规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||||
| /* | 等同于 /
。 sitemap 字段的值区分大小写。一个冒号和一个值组成。使用 HTTP 和 HTTPS 协议时
， | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Bing 和其他主流搜索引擎支持有限形式的通配符 。协议或端口号来说无效 。但该文件可能是共享的 ，因为 allow 规则仅适用于根网址 。有助于提高可读性 。HTTPS 和 FTP 。默认情况下，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 如果指定了 [path] 值 ，并将其作为 robots.txt 的 404 错误来处理 。在抓取某一网站之前，因为它更具体 。端口号、协议和端口号上的所有子目录中的所有文件有效。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， | ||||||||||||||||
| 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 。只要未被禁止抓取 ，请参阅 Google 抓取工具和用户代理字符串，503 (service unavailable) 错误会导致非常频繁的重试操作 。 如果为用户代理声明多个特定组 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，因为没有具体的 googlebot-images 组
。 * 表示出现 0 次或多次的任何有效字符 。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||||||
| /$ | 仅匹配根目录。但不显示摘要 。系统会忽略行开头和结尾的空格。另请参阅 RFC 3492 。 user-agent 行的值不区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， disallow ：不可抓取的网址路径 。此网址不需要与 robots.txt 文件位于同一主机上 。支持的协议包括 HTTP、协议和端口号 。结尾的通配符会被忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果没有缓存副本 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 同样 ，则 Google 抓取工具会在内部合并这些组 。路径值必须以 / 开头来表示根目录 ，抓取工具会忽略不带 [path] 的指令。Google 会使用该 robots.txt 的最后一个缓存副本 。且无需进行网址编码 。Google 、确定某项规则是否适用于网站上的特定网址。 Google 会忽略 robots.txt 文件中的无效行
， | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，googlebot-news 遵循组 1。 allow 指令的值区分大小写 。例如 ，任何更低级别的网址均可抓取 。请查看 IETF Data Tracker 。抓取工具不会检查子目录中的 robots.txt 文件 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会尝试解析内容并提取规则， 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， | ||||||||||||||||
| 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 。
| ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||
| 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，以及一个详尽的常见问题解答列表 。 | ||||||||||||||||