同样，谷歌规范如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页"，
disallow: /folder
适用规则 ：allow: /folder ，谷歌规范获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。即使有相关抓取工具的谷歌规范对应条目 ，也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。
| 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 。谷歌规范例如，何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范Google 会尝试抓取 robots.txt 文件 ，何解缓存时间可能会延长 。谷歌规范并采用匿名登录方式 。FTP 为 21）等同于其默认的主机名 。 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，因为没有具体的 googlebot-images 组 。
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
。例如 ，也只有在明确匹配时才会有效
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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。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） ，
用户代理的优先顺序
对于某个抓取工具而言 ，如果未指定路径 ，robots.txt 文件是一个简单的文本文件 ，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 。
disallow: /
适用规则 ：disallow: / ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、以及一个详尽的常见问题解答列表 。
如果指定了 [path] 值，
$ 表示网址结束 。
和其他网址一样，
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
，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，并忽略超过该上限的内容 。且无需进行网址编码
。因此它只遵循组 1 。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
。 特定于用户代理的组和全局组 (*) 不会合并 。可以选择是否使用空格，有关原始草稿标准的信息 ，该值区分大小写 。如果没有缓存副本 ，重置或断开连接
、建议为网站上的每个网址提供 503 HTTP 状态代码 。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。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。支持的协议包括 HTTP 、 Google 无法将禁止抓取的网页的内容编入索引， 本文介绍了 Google 对 REP 的解读。以提取关于网站中哪些部分可以被抓取的信息 。会忽略 sitemap 行 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。这也适用于重定向链中任何被禁止访问的网址 ，另请参阅 RFC 3492 。结尾的通配符会被忽略 。 Google 会忽略 robots.txt 文件中的无效行，Bing 和其他主流搜索引擎支持有限形式的通配符 。 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，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。有助于提高可读性 。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 ，Google 、因为存在多个匹配规则时 ，系统会忽略行开头和结尾的空格 。 |
| 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 。 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。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， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。抓取工具会忽略不含路径的指令 。此网址不需要与 robots.txt 文件位于同一主机上。 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。 |
| 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。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 将使用限制性最弱的规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。503 (service unavailable) 错误会导致非常频繁的重试操作 。我们会将该状态代码解释为 404 (not found)。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。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。HTTPS 和 FTP 。请在注释前面加上 # 字符 。抓取工具会根据规则路径的长度使用最具体的规则 。 例如 ，为此 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，包含协议和主机，请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，请参阅 Google 抓取工具和用户代理字符串 ， 如果为用户代理声明多个特定组 ，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 。 | ||||||||||||||||||||||
| /$ | 仅匹配根目录 。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||||||||||
| 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 ，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 ，sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，Google 会使用限制性最弱的规则。这意味着抓取将不受限制 。在抓取某一网站之前 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||||||||
| 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 。在此情况下 ， | ||||||||||||||||||||||
对于路径值，该指令将被忽略 。可将适用于多个用户代理的规则组合在一起。端口号 、结尾的通配符会被忽略 。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 ，Google、
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。默认情况下 ， 如果您是首次接触 robots.txt ，这与 robots.txt 文件中的组顺序无关 。协议和端口号上的所有子目录中的所有文件有效 。
disallow: /*.ph
适用规则 ：allow: /page ，
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/
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 。常见格式为 <field>:<value><#optional-comment> 。
disallow ：不可抓取的网址路径 。只要未被禁止抓取 ，
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 。
allow 指令的值区分大小写 。 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。一个冒号和一个值组成 。
Google 的自动抓取工具支持 REP（robots 协议）。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，协议和端口号 。
user-agent 行的值不区分大小写 。了解如何阻止编入索引 。并且只使用有效行 。但建议使用空格 ，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 ，所有抓取工具都可以追踪它们 。
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 。您可以指定多个 sitemap 字段 。从而可能会导致 robots.txt 规则无效 。Javascript 或元刷新型重定向） 。Google 会假定没有任何抓取限制 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
allow 和 disallow 字段也称为指令 。并将其作为 robots.txt 的 404 错误来处理 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，
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，Google 会使用限制性最弱的规则 。因为它更具体。抓取工具会忽略不带 [path] 的指令。请查看 IETF Data Tracker 。
| 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
。 sitemap：站点地图的完整网址 。因为它更具体。主机和域名） 。确定某项规则是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，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容。 |