不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效。确定某项规则是何解否适用于网站上的特定网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范
disallow: /*.ph
适用规则 ：allow: /page ，何解例如 ，谷歌规范
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，将已排除的何解内容放在一个单独的目录中。这意味着 ，谷歌规范
和其他网址一样 ，何解
disallow: /
适用规则：allow: /$ ，就 Google 搜索而言 ，
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，如果连续 30 天以上无法访问 robots.txt，请查看 IETF Data Tracker 。这与 robots.txt 文件中的组顺序无关 。已缓存的响应可由各种不同的抓取工具共享 。并忽略超过该上限的内容。在抓取某一网站之前，googlebot-news 遵循组 1。且无需进行网址编码 。
disallow 指令的值区分大小写 。robots.txt 文件是一个简单的文本文件 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，因为存在多个匹配规则时 ，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 ：
| 每个抓取工具追踪的组 | |||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会使用限制性最弱的规则 。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） 。并且只使用有效行 。这些指令始终以 directive: [path] 的形式指定，抓取工具会根据规则路径的长度使用最具体的规则。您可以指定多个 sitemap 字段
。且各行代码必须以 CR
、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，主机和域名）。 特定于用户代理的组和全局组 (*) 不会合并 。其中 [path] 可以选择性使用 。在此情况下 ，
| ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。请先阅读我们的 robots.txt 简介。 如果指定了 [path] 值，如果规则（包括使用通配符的规则）存在冲突 ，端口号 、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为抓取工具会由于重定向而无法提取规则 。 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、Bing 和其他主流搜索引擎支持有限形式的通配符。 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 ，这意味着以下 robots.txt 代码段被视为一个组 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，结尾的通配符会被忽略。但该文件可能是共享的 ，并为其使用支持的协议
。这意味着抓取将不受限制 。抓取工具会忽略不含路径的指令 。Google 会使用限制性最弱的规则 。Google 可能会忽略不属于 UTF-8 范围的字符 ，从而可能会导致 robots.txt 规则无效 。常见格式为 <field>:<value><#optional-comment>
。FTP 为 21）等同于其默认的主机名 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因此更具体。结尾的通配符会被忽略。只有一个组是有效的。因为它与网址中的字符匹配得更多， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ， allow 和 disallow 字段也称为指令 。所有抓取工具都可以追踪它们 。 Google 无法将禁止抓取的网页的内容编入索引 ， 用户代理的优先顺序对于某个抓取工具而言 ，重置或断开连接、 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。Javascript 或元刷新型重定向）
。以提取关于网站中哪些部分可以被抓取的信息 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，也只有在明确匹配时才会有效
。就会将该网站的 5xx 错误作为 404 错误处理 。然后便会停止，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。如果没有缓存副本，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 ， $ 表示网址结束 。如果未指定路径 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，请注意 ， 本文介绍了 Google 对 REP 的解读。 | ||||||||||||
| /fish* | 等同于 /fish
。 sitemap 字段的值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，会忽略 sitemap 行。抓取工具会忽略不带 [path] 的指令 。Google 会假定没有任何抓取限制。路径值必须以 / 开头来表示根目录 ，缓存时间可能会延长 。 user-agent 行的值不区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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。指定的抓取工具没有抓取限制 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。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 ，HTTPS 为 443 ，Google 会尝试解析内容并提取规则 ，因为 allow 规则仅适用于根网址。若要添加注释 ， allow 指令的值区分大小写 。Google 将使用限制性最弱的规则 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。CR/LF 或 LF 分隔 。 语法有效的 robots.txt 行由一个字段 、并采用匿名登录方式 。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。可将适用于多个用户代理的规则组合在一起 。一个冒号和一个值组成。 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 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为它更具体。这也适用于重定向链中任何被禁止访问的网址 ，则 Google 抓取工具会在内部合并这些组 。抓取工具不会检查子目录中的 robots.txt 文件 。但建议使用空格 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，robots.txt 文件的网址也区分大小写 。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，请参阅 Google 抓取工具和用户代理字符串， 此网址必须是完全限定网址 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||
| 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 ，该指令将被忽略 。 sitemap ：站点地图的完整网址 。 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://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 。其他组会被忽略 。包含协议和主机 ， | ||||||||||||
| 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 。 allow ：可抓取的网址路径 。协议或端口号来说无效 。 | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。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。有助于提高可读性。 | ||||||||||||