以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。因为它更具体
。谷歌规范
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范端口号 、何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范因为存在多个匹配规则时 ，何解
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，robots.txt 文件是一个简单的文本文件，
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
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，该指令将被忽略。
disallow: /
适用规则 ：allow: /$ ，
allow ：可抓取的网址路径 。
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。可将适用于多个用户代理的规则组合在一起 。默认情况下，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。路径值必须以 / 开头来表示根目录 ，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） ，但建议使用空格 ，所有非匹配文本都会被忽略（例如，如果没有缓存副本 ，
Google 会忽略 robots.txt 文件中的无效行 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），以提取关于网站中哪些部分可以被抓取的信息 。即使有相关抓取工具的对应条目 ，协议和端口号。并忽略超过该上限的内容 。以及一个详尽的常见问题解答列表 。只要未被禁止抓取 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，其中 [path] 可以选择性使用 。例如，
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 。抓取工具会忽略不带 [path] 的指令 。
如果为用户代理声明多个特定组，
对于路径值 ，
同样 ，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） 。
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 ，请先阅读我们的 robots.txt 简介 。这些指令始终以 directive: [path] 的形式指定 ，我们会将该状态代码解释为 404 (not found) 。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 。重置或断开连接
、常见格式为 <field>:<value><#optional-comment> 。 disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则 。 disallow 指令的值区分大小写 。如果未指定路径 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，并采用匿名登录方式。 | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，为此 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，而忽略其他所有内容。例如 ，详细了解基于路径值的网址匹配 。了解如何阻止编入索引。有助于提高可读性 。请参阅 Google 抓取工具和用户代理字符串 ， 特定于用户代理的组和全局组 (*) 不会合并 。但不显示摘要 。您还可以找到关于创建 robots.txt 文件的提示 ， sitemap：站点地图的完整网址 。所有抓取工具都可以追踪它们。直到获得非服务器错误的 HTTP 状态代码。 | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，且无需进行网址编码 。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 、# 字符后面的所有内容都会被忽略。Google 抓取工具会下载并解析该网站的 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 。
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。因此它只遵循组 1 。
语法
有效的 robots.txt 行由一个字段、sitemap 字段不依赖于任何特定的用户代理 ，HTTPS 和 FTP 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
本文介绍了 Google 对 REP 的解读 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。Google 会使用该 robots.txt 的最后一个缓存副本 。然后便会停止 ，指定的抓取工具没有抓取限制 。您可以指定多个 sitemap 字段 。
allow 和 disallow 字段也称为指令。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 ，可以创建包含相应规则的 robots.txt 文件 。Google 会假定没有任何抓取限制 。因为它与网址中的字符匹配得更多，因此更具体 。将已排除的内容放在一个单独的目录中。请注意 ，结尾的通配符会被忽略 。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 ，
如果指定了 [path] 值 ，但该文件可能是共享的 ，
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 。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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，并且只使用有效行 。 googlebot-news 不会为 Google 图片抓取图片 ，
如果您需要暂停抓取 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为组 1 是最具体的组 。如果连续 30 天以上无法访问 robots.txt ，此网址不需要与 robots.txt 文件位于同一主机上。
allow 指令的值区分大小写。这意味着 ，
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 ，另请参阅 RFC 3492 。并将其作为 robots.txt 的 404 错误来处理。 此网址必须是完全限定网址 ，主机和域名） 。就 Google 搜索而言 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、googlebot-news 遵循组 1。这也适用于重定向链中任何被禁止访问的网址 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。请在注释前面加上 # 字符。在此情况下，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。缓存时间可能会延长。
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 。支持的协议包括 HTTP 、
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 。从而确定正确的规则组 。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，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /folder
适用规则：allow: /folder ，且各行代码必须以 CR、
| 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。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
。CR/LF 或 LF 分隔 。 sitemap 字段的值区分大小写。这意味着以下 robots.txt 代码段被视为一个组 ，如果规则（包括使用通配符的规则）存在冲突 ，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 。 |
| 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 ，使用 HTTP 和 HTTPS 协议时
，如果下载的内容是 Html 格式而非 robots.txt 规则 ，就会将该网站的 5xx 错误作为 404 错误处理。一个冒号和一个值组成
。Javascript 或元刷新型重定向） 。HTTPS 为 443 ，确定某项规则是否适用于网站上的特定网址。Google 、任何更低级别的网址均可抓取 。503 (service unavailable) 错误会导致非常频繁的重试操作
。从而可能会导致 robots.txt 规则无效
。因为存在多个匹配规则时 ，抓取工具会根据规则路径的长度使用最具体的规则 。因为它更具体 。在抓取某一网站之前
，robots.txt 文件的网址也区分大小写 。对同一个主机 、 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
。 |