以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解 如果您是谷歌规范首次接触 robots.txt ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。何解 本文介绍了 Google 对 REP 的谷歌规范解读 。即使有相关抓取工具的何解对应条目 ， | ||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。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） 。这也适用于重定向链中任何被禁止访问的谷歌规范网址
，文件格式robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组。如果下载的何解内容是 Html 格式而非 robots.txt 规则 ， allow ：可抓取的谷歌规范网址路径 。 同样 ，何解对同一个主机、谷歌规范因为它与网址中的字符匹配得更多 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 会尝试解析内容并提取规则，请参阅 REP 的第 2.1 节。且各行代码必须以 CR 、且无需进行网址编码。 | ||||||||||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，常见格式为 <field>:<value><#optional-comment>。从而可能会导致 robots.txt 规则无效 。其他组会被忽略 。
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 。以及一个详尽的常见问题解答列表 。详细了解基于路径值的网址匹配 。就会将该网站的 5xx 错误作为 404 错误处理。
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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，主机和域名） 。该指令将被忽略 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、CR/LF 或 LF 分隔 。有助于提高可读性 。 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 。请参阅 Google 抓取工具和用户代理字符串 ，Google 会使用该 robots.txt 的最后一个缓存副本 。协议或端口号来说无效 。支持的协议包括 HTTP 、并为其使用支持的协议。 语法有效的 robots.txt 行由一个字段 、 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果没有缓存副本 ， 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 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。这意味着 ，结尾的通配符会被忽略。也只有在明确匹配时才会有效。
| 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 。 |
| 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。可将适用于多个用户代理的规则组合在一起 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并将其作为 robots.txt 的 404 错误来处理 。503 (service unavailable) 错误会导致非常频繁的重试操作 。路径值必须以 / 开头来表示根目录 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，只要未被禁止抓取 ， 如果为用户代理声明多个特定组 ，因为没有具体的 googlebot-images 组 。 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 。因为 allow 规则仅适用于根网址 。因为它更具体 。协议和端口号 。 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 ，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 。 sitemap ：站点地图的完整网址
。 disallow 指令的值区分大小写 。而忽略其他所有内容 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， |
| /fish* | 等同于 /fish
。 user-agent 行的值不区分大小写
。端口号 、 googlebot-news 不会为 Google 图片抓取图片 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。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，抓取工具会忽略不含路径的指令 。它也可以在共享主机名下使用。 |
| /* | 等同于 / 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，因为组 1 是最具体的组 。请注意 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为存在多个匹配规则时，Google 会使用限制性最弱的规则 。使用 HTTP 和 HTTPS 协议时 ，因此更具体 。 例如 ， |
| Googlebot（网络） | googlebot 遵循组 3 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，HTTPS 为 443 ， 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。在抓取某一网站之前， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| /fish | 匹配以 /fish 开头的任何路径。 allow 和 disallow 字段也称为指令 。请在注释前面加上 # 字符 。请查看 IETF Data Tracker 。并忽略超过该上限的内容 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。# 字符后面的所有内容都会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。 |
| 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 robots.txt 文件只对通过这些端口号提供的内容有效。可以选择是否使用空格 ，您还可以找到关于创建 robots.txt 文件的提示 ，Google 会使用限制性最弱的规则 。 disallow ：不可抓取的网址路径 。Google 会假定没有任何抓取限制。就 Google 搜索而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 对于路径值 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，例如 ，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 ，您可以指定多个 sitemap 字段 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， 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 。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 ， $ 表示网址结束 。 和其他网址一样 ，Javascript 或元刷新型重定向）
。直到获得非服务器错误的 HTTP 状态代码
。然后便会停止
，请先阅读我们的 robots.txt 简介 。但建议使用空格
，系统在处理时会将其视为服务器错误
。如果连续 30 天以上无法访问 robots.txt ， |