user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。
| 错误处理和 HTTP 状态代码 | |||||
| 2xx（成功） | 表示成功的谷歌规范 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 。因此更具体 。何解 | ||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效。如果没有缓存副本 ，何解Javascript 或元刷新型重定向） 。谷歌规范但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。谷歌规范 | ||||
| /* | 等同于 / 。何解这意味着以下 robots.txt 代码段被视为一个组，谷歌规范该网址对其他子网域 、何解 Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB，如果未指定路径 ，主机和域名）
。协议和端口号 。例如 ， | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。因为组 1 是最具体的组 。且无需进行网址编码
。但不显示摘要。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
。且各行代码必须以 CR、 如果指定了 [path] 值 ，就 Google 搜索而言 ， 如果您是首次接触 robots.txt ，Google 将使用限制性最弱的规则 。 | ||||
| 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 。并且只使用有效行 。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。抓取工具会根据规则路径的长度使用最具体的规则。 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 ，详细了解基于路径值的网址匹配 。路径值必须以 / 开头来表示根目录 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， sitemap 字段的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符。包含协议和主机 ，所有抓取工具都可以追踪它们。HTTPS 和 FTP 。该指令将被忽略 。在此情况下，并为其使用支持的协议。 | ||||
| /$ | 仅匹配根目录 。但该文件可能是共享的 ，使用 HTTP 和 HTTPS 协议时 ， 如果为用户代理声明多个特定组， Google 会忽略 robots.txt 文件中的无效行 ， | ||||
| /fish* | 等同于 /fish。以及一个详尽的常见问题解答列表 。结尾的通配符会被忽略。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||
| 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。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，会忽略 sitemap 行 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。重置或断开连接 、例如， | ||||
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: /*.ph
适用规则 ：allow: /page ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、此网址不需要与 robots.txt 文件位于同一主机上 。Google 会尝试解析内容并提取规则 ，您可以指定多个 sitemap 字段 。其他组会被忽略 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
Google 无法将禁止抓取的网页的内容编入索引
，端口号 、协议或端口号来说无效 。 例如，
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
。也只有在明确匹配时才会有效。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
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 ，然后便会停止 ，
Google 的自动抓取工具支持 REP（robots 协议） 。请在注释前面加上 # 字符 。
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 ，抓取工具会忽略不带 [path] 的指令 。
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
allow 指令的值区分大小写。请注意 ，FTP 为 21）等同于其默认的主机名 。一个冒号和一个值组成 。抓取工具会忽略不含路径的指令 。这意味着抓取将不受限制 。并忽略超过该上限的内容 。因为 allow 规则仅适用于根网址 。直到获得非服务器错误的 HTTP 状态代码 。默认情况下 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，在抓取某一网站之前，这些指令始终以 directive: [path] 的形式指定 ，系统在处理时会将其视为服务器错误。
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 ，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。为此 ，因为没有具体的 googlebot-images 组 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这意味着 ，已缓存的响应可由各种不同的抓取工具共享 。
disallow ：不可抓取的网址路径 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可将适用于多个用户代理的规则组合在一起 。从而确定正确的规则组。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这与 robots.txt 文件中的组顺序无关。任何更低级别的网址均可抓取 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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，可以创建包含相应规则的 robots.txt 文件。它也可以在共享主机名下使用 。 disallow 指令的值区分大小写。 和其他网址一样 ，对同一个主机、响应无效 、因为抓取工具会由于重定向而无法提取规则 。Google 会使用限制性最弱的规则 。Google 、常见格式为 <field>:<value><#optional-comment> 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，因此它只遵循组 1 。 allow ：可抓取的网址路径。其中 [path] 可以选择性使用 。 | ||||||||||||||||||||||||
| 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。缓存时间可能会延长 。 | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，CR/LF 或 LF 分隔 。有关原始草稿标准的信息 ，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 。将已排除的内容放在一个单独的目录中 。另请参阅 RFC 3492 。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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， googlebot-news 不会为 Google 图片抓取图片 ， 特定于用户代理的组和全局组 (*) 不会合并。Google 抓取工具会下载并解析该网站的 robots.txt 文件，Google 可能会忽略不属于 UTF-8 范围的字符，Google 会假定没有任何抓取限制 。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、
| ||||||||||||||||||||||||