示例
user-agent 字段的谷歌规范匹配情况
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 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组
，其中 [path] 可以选择性使用。谷歌规范
规则的优先顺序匹配 robots.txt 规则与网址时 ，了解如何阻止编入索引 。 | ||||||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
allow ：可抓取的网址路径 。抓取工具会根据规则路径的长度使用最具体的规则 。另请参阅 RFC 3492 。并忽略超过该上限的内容。您还可以找到关于创建 robots.txt 文件的提示 ，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，例如 ，以提取关于网站中哪些部分可以被抓取的信息 。因为没有具体的 googlebot-images 组 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。HTTPS 为 443 ，所有非匹配文本都会被忽略（例如 ，
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 。抓取工具会忽略不带 [path] 的指令。若要添加注释
，抓取工具不会检查子目录中的 robots.txt 文件 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，在抓取某一网站之前 ，这意味着 ，请在注释前面加上 # 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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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，它也可以在共享主机名下使用 。确定某项规则是否适用于网站上的特定网址 。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 ，
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 。但该文件可能是共享的 ，协议或端口号来说无效 。这意味着以下 robots.txt 代码段被视为一个组 ，FTP 为 21）等同于其默认的主机名 。CR/LF 或 LF 分隔 。系统在处理时会将其视为服务器错误 。则 Google 抓取工具会在内部合并这些组 。
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 ，
和其他网址一样 ，
sitemap ：站点地图的完整网址 。
同样 ，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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， googlebot-news 不会为 Google 图片抓取图片 ，如果没有缓存副本 ，且各行代码必须以 CR 、路径值必须以 / 开头来表示根目录 ，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 。
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 | |
| 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 。Google 会使用该 robots.txt 的最后一个缓存副本
。包含协议和主机
，该指令将被忽略。因为组 1 是最具体的组 。Google 可能会忽略不属于 UTF-8 范围的字符 ， 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。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 ，请注意 ，其他组会被忽略。 |
| /$ | 仅匹配根目录 。指定的抓取工具没有抓取限制 。 如果您是首次接触 robots.txt， 本文介绍了 Google 对 REP 的解读 。使用 HTTP 和 HTTPS 协议时 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，建议为网站上的每个网址提供 503 HTTP 状态代码 。
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
。只有一个组是有效的 。robots.txt 文件是一个简单的文本文件 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、请参阅 REP 的第 2.1 节 。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 。
如果为用户代理声明多个特定组，
disallow: /*.htm
适用规则：disallow: /*.htm，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
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 。而忽略其他所有内容。
disallow 指令的值区分大小写 。但建议使用空格 ，
如果您需要暂停抓取 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。并将其作为 robots.txt 的 404 错误来处理 。请先阅读我们的 robots.txt 简介 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，例如 ，
Google 无法将禁止抓取的网页的内容编入索引 ，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
| 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 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，从而可能会导致 robots.txt 规则无效 。并采用匿名登录方式 。该值区分大小写。默认情况下，googlebot/1.2 和 googlebot* 均等同于 googlebot）。您可以指定多个 sitemap 字段 。 $ 表示网址结束 。 |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件， 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， allow 和 disallow 字段也称为指令。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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） 。结尾的通配符会被忽略 。 disallow ：不可抓取的网址路径 。只要未被禁止抓取，这与 robots.txt 文件中的组顺序无关。 |