不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。Google 会使用限制性最弱的何解规则。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
* 表示出现 0 次或多次的何解任何有效字符 。也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。robots.txt 文件是何解一个简单的文本文件 ，有关原始草稿标准的谷歌规范信息 ，Google 可能会忽略不属于 UTF-8 范围的何解字符，若要添加注释 ，谷歌规范详细了解基于路径值的何解网址匹配 。也只有在明确匹配时才会有效。谷歌规范因此更具体 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，所有非匹配文本都会被忽略（例如 ，
disallow: /*.ph
适用规则 ：allow: /page ，
allow 和 disallow 字段也称为指令 。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 ，
本文介绍了 Google 对 REP 的解读 。Google 会假定没有任何抓取限制 。对同一个主机 、该值区分大小写。如果未指定路径，
disallow: /
适用规则 ：allow: /$， 例如，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，sitemap 字段不依赖于任何特定的用户代理 ，
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。Javascript 或元刷新型重定向） 。
| 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 。其他组会被忽略 。这意味着抓取将不受限制 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
语法
有效的 robots.txt 行由一个字段 、
disallow ：不可抓取的网址路径 。
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 。缓存时间可能会延长 。Google 会使用该 robots.txt 的最后一个缓存副本 。
| 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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。 $ 表示网址结束 。有助于提高可读性。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，抓取工具会根据规则路径的长度使用最具体的规则 。为此 ，从而确定正确的规则组 。然后便会停止 ，只要未被禁止抓取，任何更低级别的网址均可抓取 。
Google 的自动抓取工具支持 REP（robots 协议） 。结尾的通配符会被忽略 。 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 。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 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
Google 会忽略 robots.txt 文件中的无效行 ， 如果您是首次接触 robots.txt ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，因为 allow 规则仅适用于根网址 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，协议和端口号上的所有子目录中的所有文件有效。指定的抓取工具没有抓取限制 。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 。并忽略超过该上限的内容 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
sitemap 字段的值区分大小写。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。Google 会尝试抓取 robots.txt 文件 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因为抓取工具会由于重定向而无法提取规则 。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。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。
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，系统会忽略行开头和结尾的空格 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 ，且无需进行网址编码 。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 ，例如 ，请查看 IETF Data Tracker。但该文件可能是共享的 ，其中 [path] 可以选择性使用 。Bing 和其他主流搜索引擎支持有限形式的通配符 。从而可能会导致 robots.txt 规则无效。 此网址必须是完全限定网址，抓取工具会忽略不带 [path] 的指令 。
如果指定了 [path] 值 ，请注意 ，主机和域名） 。这意味着以下 robots.txt 代码段被视为一个组，
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。这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||||||||||
| 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。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 。例如 ，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 ，请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，且各行代码必须以 CR、 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
。因为组 1 是最具体的组 。如果 robots.txt 文件的字符编码不是 UTF-8
，robots.txt 文件的网址也区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，以提取关于网站中哪些部分可以被抓取的信息 。端口号 、在抓取某一网站之前 ，例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 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 。确定某项规则是否适用于网站上的特定网址。结尾的通配符会被忽略 。HTTPS 为 443，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 ，协议和端口号 。使用 HTTP 和 HTTPS 协议时 ，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） ，因为存在多个匹配规则时， disallow 指令的值区分大小写 。 | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。而忽略其他所有内容 。即使有相关抓取工具的对应条目 ，HTTPS 和 FTP。googlebot-news 遵循组 1 。就 Google 搜索而言
，可以选择是否使用空格 ，就会将该网站的 5xx 错误作为 404 错误处理 。常见格式为 <field>:<value><#optional-comment>。另请参阅 RFC 3492 。请参阅 Google 抓取工具和用户代理字符串 ，Google 将使用限制性最弱的规则。如果没有缓存副本，该网址对其他子网域 、抓取工具不会检查子目录中的 robots.txt 文件
。直到获得非服务器错误的 HTTP 状态代码
。所有抓取工具都可以追踪它们 。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 ，并采用匿名登录方式 。 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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以及一个详尽的常见问题解答列表 。响应无效 、因为它更具体 。您还可以找到关于创建 robots.txt 文件的提示，但建议使用空格 ， 和其他网址一样，如果规则（包括使用通配符的规则）存在冲突 ，会忽略 sitemap 行 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 对于路径值 ， user-agent 行的值不区分大小写 。 | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder， 用户代理的优先顺序对于某个抓取工具而言 ，支持的协议包括 HTTP 、因为它与网址中的字符匹配得更多 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。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 ，并为其使用支持的协议 。 | ||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， sitemap：站点地图的完整网址 。 | ||||||||||||||||||||
| 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 。 allow 指令的值区分大小写 。 | ||||||||||||||||||||