| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解 此网址必须是谷歌规范完全限定网址 ，请查看 IETF Data Tracker 。何解为此 ，谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。 user-agent 行的何解值不区分大小写 。抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。因为它与网址中的何解字符匹配得更多，Google 将使用限制性最弱的谷歌规范规则。例如，FTP 为 21）等同于其默认的主机名 。所有抓取工具都可以追踪它们 。sitemap 字段不依赖于任何特定的用户代理 ，可将适用于多个用户代理的规则组合在一起。对同一个主机 、 |
| Googlebot Images | googlebot-images 遵循组 2， 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 。Google 会尝试解析内容并提取规则， |
| 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 。 allow：可抓取的网址路径。而忽略其他所有内容 。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 ，因为存在多个匹配规则时 ，因为它更具体 。下面说明了抓取工具如何理解之前的 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， 如果为用户代理声明多个特定组 ， 例如 ，# 字符后面的所有内容都会被忽略 。协议和端口号 。Google 会使用限制性最弱的规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
| 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。 Google 会忽略 robots.txt 文件中的无效行 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
用户代理的优先顺序
对于某个抓取工具而言 ，可以创建包含相应规则的 robots.txt 文件。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。Google 会使用限制性最弱的规则 。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 。
语法
有效的 robots.txt 行由一个字段 、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 ，Google 会尝试抓取 robots.txt 文件 ，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 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。
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 。HTTPS 为 443 ，
disallow: /folder
适用规则 ：allow: /folder ，CR/LF 或 LF 分隔 。
本文介绍了 Google 对 REP 的解读 。Google 会假定没有任何抓取限制。
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 ，
disallow 指令的值区分大小写 。会忽略 sitemap 行 。支持的协议包括 HTTP、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 。
如果您需要暂停抓取 ，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 ，有助于提高可读性 。缓存时间可能会延长 。
| 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 。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 ，googlebot-news 遵循组 1 。抓取工具不会检查子目录中的 robots.txt 文件
。其他组会被忽略。则 Google 抓取工具会在内部合并这些组 。Javascript 或元刷新型重定向） 。Google 可能会忽略不属于 UTF-8 范围的字符， 同样 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 |
| 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 ，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 ，这也适用于重定向链中任何被禁止访问的网址 ，并为其使用支持的协议 。一个冒号和一个值组成 。默认情况下 ， |
| /*.php | 匹配包含 .php 的任何路径 。响应无效、因为存在多个匹配规则时 ，任何更低级别的网址均可抓取 。协议或端口号来说无效
。将已排除的内容放在一个单独的目录中
。已缓存的响应可由各种不同的抓取工具共享 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果未指定路径 ，该网址对其他子网域 、因为抓取工具会由于重定向而无法提取规则 。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 。 和其他网址一样 ，这意味着 ，robots.txt 文件的网址也区分大小写。Google 会使用该 robots.txt 的最后一个缓存副本 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，从而确定正确的规则组 。 如果您是首次接触 robots.txt ，这些指令始终以 directive: [path] 的形式指定 ，如果规则（包括使用通配符的规则）存在冲突 ，可以选择是否使用空格， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。也只有在明确匹配时才会有效 。另请参阅 RFC 3492。结尾的通配符会被忽略 。但建议使用空格 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。因为没有具体的 googlebot-images 组 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 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 。 |
disallow ：不可抓取的网址路径 。因此更具体 。
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 ，这意味着抓取将不受限制
。请在注释前面加上 # 字符 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， sitemap 字段的值区分大小写 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 allow 和 disallow 字段也称为指令 。请参阅 Google 抓取工具和用户代理字符串 ，有关原始草稿标准的信息，请注意 ，我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||
| 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 ，抓取工具会忽略不带 [path] 的指令。 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 。系统在处理时会将其视为服务器错误。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。建议为网站上的每个网址提供 503 HTTP 状态代码。指定的抓取工具没有抓取限制 。 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。 如果指定了 [path] 值 ，因为它更具体。 $ 表示网址结束 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment> 。并采用匿名登录方式
。这与 robots.txt 文件中的组顺序无关 。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 ， | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，请参阅 REP 的第 2.1 节 。Google 、就会将该网站的 5xx 错误作为 404 错误处理。但不显示摘要 。 Google 无法将禁止抓取的网页的内容编入索引 ，
| ||||||||||||||||||||||||