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 ，从而可能会导致 robots.txt 规则无效 。何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，则 Google 抓取工具会在内部合并这些组
。何解 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范这意味着 ，何解请注意 ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符
，系统会忽略行开头和结尾的何解空格 。
| ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 。 本文介绍了 Google 对 REP 的解读 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Google 会假定没有任何抓取限制 。因为组 1 是最具体的组 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。有助于提高可读性。这与 robots.txt 文件中的组顺序无关。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。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）。以及一个详尽的常见问题解答列表 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。因为没有具体的 googlebot-images 组 。为此 ， | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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 ，
disallow: /*.ph
适用规则 ：allow: /page ，即使有相关抓取工具的对应条目 ，
| 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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 如果指定了 [path] 值 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。另请参阅 RFC 3492 。以提取关于网站中哪些部分可以被抓取的信息。sitemap 字段不依赖于任何特定的用户代理 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果 robots.txt 文件的字符编码不是 UTF-8， 对于路径值 ，因此更具体 。可将适用于多个用户代理的规则组合在一起 。 |
| /fish* | 等同于 /fish 。缓存时间可能会延长。任何更低级别的网址均可抓取 。已缓存的响应可由各种不同的抓取工具共享 。抓取工具会忽略不含路径的指令 。 user-agent 行的值不区分大小写 。 如果为用户代理声明多个特定组 ，主机和域名） 。 |
| /*.php | 匹配包含 .php 的任何路径。请先阅读我们的 robots.txt 简介 。# 字符后面的所有内容都会被忽略 。 allow 指令的值区分大小写 。只要未被禁止抓取 ， |
| 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 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 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 。请在注释前面加上 # 字符 。您可以指定多个 sitemap 字段 。 sitemap ：站点地图的完整网址 。如果连续 30 天以上无法访问 robots.txt ， 例如，直到获得非服务器错误的 HTTP 状态代码。有关原始草稿标准的信息 ，此网址不需要与 robots.txt 文件位于同一主机上 。 |
| 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 。抓取工具会忽略不带 [path] 的指令
。会忽略 sitemap 行 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，就 Google 搜索而言， 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。因为它更具体 。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） ，且无需进行网址编码 。系统在处理时会将其视为服务器错误。 allow 和 disallow 字段也称为指令 。Google、CR/LF 或 LF 分隔。这也适用于重定向链中任何被禁止访问的网址 ， 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，协议和端口号 。Google 会尝试抓取 robots.txt 文件 ， |
| /* | 等同于 / 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，如果下载的内容是 Html 格式而非 robots.txt 规则， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。只有一个组是有效的 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、Google 将使用限制性最弱的规则 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， |
| 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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 REP 的第 2.1 节。若要添加注释 ，了解如何阻止编入索引 。并且只使用有效行 。
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。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，但不显示摘要 。 如果您是首次接触 robots.txt ，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 ，
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
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，因为它与网址中的字符匹配得更多 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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，因为抓取工具会由于重定向而无法提取规则 。并忽略超过该上限的内容 。 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 ，
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 。
用户代理的优先顺序
对于某个抓取工具而言 ，一个冒号和一个值组成。HTTPS 为 443，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 会使用限制性最弱的规则 。结尾的通配符会被忽略 。我们会将该状态代码解释为 404 (not found) 。
同样 ，这意味着以下 robots.txt 代码段被视为一个组 ，
如果我们能够确定 ，也只有在明确匹配时才会有效 。 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
。然后便会停止 ，指定的抓取工具没有抓取限制。详细了解基于路径值的网址匹配。Google 会使用限制性最弱的规则 。
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 ，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 。
和其他网址一样 ，例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 、且各行代码必须以 CR 、
| 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 。 | ||||||||||
| 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
，FTP 为 21）等同于其默认的主机名 。
| ||||||||||