和其他网址一样 ，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。
| 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 。谷歌规范且无需进行网址编码 。何解 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 。这些通配符包括： * 表示出现 0 次或多次的何解任何有效字符 。如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，使用 HTTP 和 HTTPS 协议时 ，何解抓取工具会忽略不含路径的谷歌规范指令 。 | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理，因为它更具体 。何解 user-agent 行的谷歌规范值不区分大小写 。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 ，HTTPS 和 FTP 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，因为存在多个匹配规则时 ，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）， 例如 ， 如果指定了 [path] 值 ，并忽略超过该上限的内容 。因为组 1 是最具体的组 。默认情况下 ，Bing 和其他主流搜索引擎支持有限形式的通配符。这些指令始终以 directive: [path] 的形式指定 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||
| 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 ，可以创建包含相应规则的 robots.txt 文件 。 googlebot-news 不会为 Google 图片抓取图片， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||||
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 robots.txt 文件的字符编码不是 UTF-8 ，这意味着以下 robots.txt 代码段被视为一个组 ，
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 。因为存在多个匹配规则时 ，这意味着抓取将不受限制 。
Google 无法将禁止抓取的网页的内容编入索引 ，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 。
disallow 指令的值区分大小写 。
同样 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具会忽略不带 [path] 的指令 。而忽略其他所有内容。Google 会使用该 robots.txt 的最后一个缓存副本 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果连续 30 天以上无法访问 robots.txt ，请参阅 Google 抓取工具和用户代理字符串 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果规则（包括使用通配符的规则）存在冲突 ，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、
对于路径值 ，端口号 、一个冒号和一个值组成
。robots.txt 文件是一个简单的文本文件 ，确定某项规则是否适用于网站上的特定网址 。即使有相关抓取工具的对应条目
，直到获得非服务器错误的 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
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，结尾的通配符会被忽略 。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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。# 字符后面的所有内容都会被忽略。 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。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。该值区分大小写 。 |
| 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 ，支持的协议包括 HTTP 、所有抓取工具都可以追踪它们 。并将其作为 robots.txt 的 404 错误来处理 。robots.txt 文件的网址也区分大小写。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，在此情况下 ，
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 。
disallow: /
适用规则 ：allow: /$ ，在抓取某一网站之前 ，以及一个详尽的常见问题解答列表 。Google 会假定没有任何抓取限制 。则 Google 抓取工具会在内部合并这些组 。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 。 如果您是首次接触 robots.txt ，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 ，
disallow: /
适用规则 ：disallow: / ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。详细了解基于路径值的网址匹配 。因为抓取工具会由于重定向而无法提取规则 。
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 。可将适用于多个用户代理的规则组合在一起 。如果未指定路径 ，对同一个主机 、请在注释前面加上 # 字符 。结尾的通配符会被忽略 。
allow ：可抓取的网址路径 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 会尝试抓取 robots.txt 文件 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，为此
， 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 ，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 ，然后便会停止 ，有助于提高可读性 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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。抓取工具会使用标准 RETR (RETRIEVE) 命令，此网址不需要与 robots.txt 文件位于同一主机上。并且只使用有效行 。
$ 表示网址结束 。因为它更具体。
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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、
| 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 。 |
| /$ | 仅匹配根目录 。请查看 IETF Data Tracker 。从而确定正确的规则组 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。但建议使用空格
，因此它只遵循组 1 。 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 ，也只有在明确匹配时才会有效 。就 Google 搜索而言 ，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 ，响应无效 、 sitemap：站点地图的完整网址 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 可能会忽略不属于 UTF-8 范围的字符，该指令将被忽略。抓取工具会根据规则路径的长度使用最具体的规则 。可以选择是否使用空格 ， 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 ，其他组会被忽略 。我们会将该状态代码解释为 404 (not found) 。主机和域名） 。 |
| /fish | 匹配以 /fish 开头的任何路径
。您可以指定多个 sitemap 字段 。例如
，就会将该网站的 5xx 错误作为 404 错误处理。 此网址必须是完全限定网址 ， |