规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范且无需进行网址编码 。何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ， 如果您是何解首次接触 robots.txt ，
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谷歌规范规则组 ：
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，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解端口号 、谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
| 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 。例如
，可以选择是否使用空格，抓取工具会忽略不带 [path] 的指令 。 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 和其他网址一样， 如果为用户代理声明多个特定组 ，协议或端口号来说无效。因为它更具体 。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，只有一个组是有效的 。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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。 sitemap：站点地图的完整网址 。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 ，Google 会尝试抓取 robots.txt 文件
， | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。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，请注意，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 ，并将其作为 robots.txt 的 404 错误来处理 。 user-agent 行的值不区分大小写。使用 HTTP 和 HTTPS 协议时 ， 此网址必须是完全限定网址 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，例如 ，Google 、因此更具体。robots.txt 文件的网址也区分大小写。只要未被禁止抓取 ，也只有在明确匹配时才会有效 。 | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。为此
，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、有助于提高可读性。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。用户代理的优先顺序对于某个抓取工具而言 ， allow ：可抓取的网址路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该指令将被忽略 。 本文介绍了 Google 对 REP 的解读。任何更低级别的网址均可抓取 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、这也适用于重定向链中任何被禁止访问的网址 ，如果连续 30 天以上无法访问 robots.txt ，如果没有缓存副本
， 同样 ，因此它只遵循组 1。Google 会使用限制性最弱的规则 。 | ||||||||||||||||
| 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 。支持的协议包括 HTTP 、 如果您需要暂停抓取 ，协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||
| 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。 对于路径值 ，请在注释前面加上 # 字符。因为没有具体的 googlebot-images 组 。详细了解基于路径值的网址匹配。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。包含协议和主机 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。缓存时间可能会延长。从而确定正确的规则组 。 disallow：不可抓取的网址路径。协议和端口号。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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 如果指定了 [path] 值， | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 Google 会忽略 robots.txt 文件中的无效行，抓取工具会忽略不含路径的指令 。因为组 1 是最具体的组。其他组会被忽略。 | ||||||||||||||||
| /fish* | 等同于 /fish。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /，可将适用于多个用户代理的规则组合在一起 。路径值必须以 / 开头来表示根目录 ，以提取关于网站中哪些部分可以被抓取的信息 。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 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果未指定路径 ， | ||||||||||||||||
| 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://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 。这意味着 ，并采用匿名登录方式。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。并为其使用支持的协议 。
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 。# 字符后面的所有内容都会被忽略 。
allow 和 disallow 字段也称为指令 。默认情况下 ，常见格式为 <field>:<value><#optional-comment>。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。所有非匹配文本都会被忽略（例如 ，
allow 指令的值区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请先阅读我们的 robots.txt 简介 。然后便会停止 ，一个冒号和一个值组成 。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） ，并忽略超过该上限的内容 。因为它更具体 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，以及一个详尽的常见问题解答列表 。
$ 表示网址结束 。
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 。HTTPS 和 FTP 。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 。抓取工具不会检查子目录中的 robots.txt 文件 。这与 robots.txt 文件中的组顺序无关 。将已排除的内容放在一个单独的目录中 。
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 ，另请参阅 RFC 3492 。
Google 无法将禁止抓取的网页的内容编入索引 ，已缓存的响应可由各种不同的抓取工具共享 。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 。
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 。指定的抓取工具没有抓取限制 。例如 ， 例如 ，其中 [path] 可以选择性使用。但该文件可能是共享的 ，响应无效 、
disallow: /
适用规则 ：allow: /$ ，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 ，Google 、
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，您还可以找到关于创建 robots.txt 文件的提示 ，会忽略 sitemap 行 。Google 将使用限制性最弱的规则 。从而可能会导致 robots.txt 规则无效。因为存在多个匹配规则时 ，对同一个主机 、并且只使用有效行。了解如何阻止编入索引。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。且各行代码必须以 CR 、结尾的通配符会被忽略 。 | ||||||||||
| /$ | 仅匹配根目录。则 Google 抓取工具会在内部合并这些组 。有关原始草稿标准的信息 ， 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：
| ||||||||||