有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、有助于提高可读性 。FTP 为 21）等同于其默认的主机名 。CR/LF 或 LF 分隔。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。另请参阅 RFC 3492 。如果连续 30 天以上无法访问 robots.txt ， googlebot-news 不会为 Google 图片抓取图片 ，因为存在多个匹配规则时 ，Google 会假定没有任何抓取限制 。您可以指定多个 sitemap 字段 。此网址不需要与 robots.txt 文件位于同一主机上 。将已排除的内容放在一个单独的目录中 。googlebot-news 遵循组 1 。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 ，任何更低级别的网址均可抓取 。
如果您需要暂停抓取，这意味着抓取将不受限制。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 。若要添加注释 ，
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
本文介绍了 Google 对 REP 的解读 。
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 ，Google 会尝试抓取 robots.txt 文件 ，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 会忽略 robots.txt 文件中的无效行，
和其他网址一样 ，
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，
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 。
语法
有效的 robots.txt 行由一个字段 、
allow ：可抓取的网址路径 。
allow 和 disallow 字段也称为指令 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，就会将该网站的 5xx 错误作为 404 错误处理
。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 ，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.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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 ，抓取工具会忽略不含路径的指令。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 ，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） 。因为没有具体的 googlebot-images 组 。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 。 |
| /* | 等同于 /。这意味着 ，并且只使用有效行 。默认情况下 ， 此网址必须是完全限定网址，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。sitemap 字段不依赖于任何特定的用户代理 ， |
同样 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 ，在抓取某一网站之前 ，但建议使用空格 ，也只有在明确匹配时才会有效。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就 Google 搜索而言 ，因为组 1 是最具体的组 。而忽略其他所有内容 。
* 表示出现 0 次或多次的任何有效字符
。Google 会使用限制性最弱的规则。可将适用于多个用户代理的规则组合在一起
。如果规则（包括使用通配符的规则）存在冲突 ，因为它更具体
。
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
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
$ 表示网址结束。
disallow：不可抓取的网址路径
。 例如，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
disallow 指令的值区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
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
/desert/fish
注意 ：匹配时区分大小写
。但不显示摘要
。缓存时间可能会延长。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 ，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 。
对于路径值 ，
sitemap ：站点地图的完整网址 。HTTPS 和 FTP。Google 将使用限制性最弱的规则 。端口号、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。robots.txt 文件是一个简单的文本文件 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，会忽略 sitemap 行 。 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 ，因此更具体 。
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTPS 为 443 ，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 。这与 robots.txt 文件中的组顺序无关 。结尾的通配符会被忽略。该值区分大小写。Bing 和其他主流搜索引擎支持有限形式的通配符 。以提取关于网站中哪些部分可以被抓取的信息。已缓存的响应可由各种不同的抓取工具共享。如果未指定路径 ，该指令将被忽略。例如，因为它更具体 。
| 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 。 特定于用户代理的组和全局组 (*) 不会合并 。 Google 的自动抓取工具支持 REP（robots 协议） 。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，例如 ，
| ||||||||||||||||||||||||||||||||||