有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范
disallow: /
适用规则 ：allow: /$ ，何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码。然后便会停止 ，何解
什么是谷歌规范 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 ，
用户代理的何解优先顺序
对于某个抓取工具而言 ，将已排除的谷歌规范内容放在一个单独的目录中 。以及一个详尽的何解常见问题解答列表 。
本文介绍了 Google 对 REP 的谷歌规范解读 。CR/LF 或 LF 分隔 。默认情况下 ，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 。
allow：可抓取的网址路径 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， 如果您是首次接触 robots.txt ，从而确定正确的规则组 。端口号 、例如 ，其他组会被忽略 。协议或端口号来说无效 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果您需要暂停抓取 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，因为没有具体的 googlebot-images 组 。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则，请参阅 REP 的第 2.1 节 。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，以提取关于网站中哪些部分可以被抓取的信息 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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 ， |
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。会忽略 sitemap 行 。 $ 表示网址结束 。如果规则（包括使用通配符的规则）存在冲突 ， sitemap：站点地图的完整网址 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用限制性最弱的规则 。它也可以在共享主机名下使用 。如果没有缓存副本 ，且无需进行网址编码 。 |
| 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
。请查看 IETF Data Tracker 。并忽略超过该上限的内容 。另请参阅 RFC 3492 。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）
， user-agent 行的值不区分大小写 。因为组 1 是最具体的组 。但不显示摘要。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，Google 会尝试抓取 robots.txt 文件 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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 。例如 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为它与网址中的字符匹配得更多 ，可将适用于多个用户代理的规则组合在一起 。因为它更具体 。 |
| 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 ， 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。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果连续 30 天以上无法访问 robots.txt，
和其他网址一样 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
allow 和 disallow 字段也称为指令 。只有一个组是有效的 。
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
在请求 robots.txt 文件时，
disallow ：不可抓取的网址路径 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
如果为用户代理声明多个特定组 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
如果我们能够确定，
Google 会忽略 robots.txt 文件中的无效行 ，因为存在多个匹配规则时
，您还可以找到关于创建 robots.txt 文件的提示 ，指定的抓取工具没有抓取限制
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。因为抓取工具会由于重定向而无法提取规则 。因为存在多个匹配规则时 ，Google 会尝试解析内容并提取规则 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，抓取工具会根据规则路径的长度使用最具体的规则。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。有关原始草稿标准的信息 ，
allow 指令的值区分大小写 。
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
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。Google 会使用限制性最弱的规则 。若要添加注释，主机和域名） 。
Google 的自动抓取工具支持 REP（robots 协议）。 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 。请参阅 Google 抓取工具和用户代理字符串 ，并采用匿名登录方式 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。例如，
同样 ，缓存时间可能会延长 。使用 HTTP 和 HTTPS 协议时
，所有抓取工具都可以追踪它们 。常见格式为 <field>:<value><#optional-comment>。503 (service unavailable) 错误会导致非常频繁的重试操作。
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 ，请在注释前面加上 # 字符。
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 ，# 字符后面的所有内容都会被忽略 。robots.txt 文件的网址也区分大小写 。则 Google 抓取工具会在内部合并这些组 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。结尾的通配符会被忽略 。
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 ，并且只使用有效行。抓取工具不会检查子目录中的 robots.txt 文件 。协议和端口号上的所有子目录中的所有文件有效。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，请先阅读我们的 robots.txt 简介 。
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 ，确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||
| 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 。 sitemap 字段的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
| ||||||||||||||||||||