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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。# 字符后面的所有内容都会被忽略。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 。例如，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。该值区分大小写 。重置或断开连接、默认情况下 ，也只有在明确匹配时才会有效 。
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 ，而忽略其他所有内容 。就会将该网站的 5xx 错误作为 404 错误处理 。
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 。Google 会尝试抓取 robots.txt 文件 ，
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，
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
。如果规则（包括使用通配符的规则）存在冲突 ，使用 HTTP 和 HTTPS 协议时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。其他组会被忽略 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，指定的抓取工具没有抓取限制 。所有抓取工具都可以追踪它们 。
如果为用户代理声明多个特定组 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
| 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://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，即使有相关抓取工具的对应条目 ， 本文介绍了 Google 对 REP 的解读 。 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 ，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 。以及一个详尽的常见问题解答列表 。 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 。 | ||||
| /*.php | 匹配包含 .php 的任何路径 。然后便会停止 ，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 ，例如 ， | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||
| Googlebot Images | googlebot-images 遵循组 2 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。这些指令始终以 directive: [path] 的形式指定 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，且各行代码必须以 CR 、缓存时间可能会延长 。因为存在多个匹配规则时 ，HTTPS 和 FTP
。请注意
，如果未指定路径 ，请先阅读我们的 robots.txt 简介 。 allow 指令的值区分大小写 。并且只使用有效行。 | ||||
| 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， Google 的自动抓取工具支持 REP（robots 协议） 。直到获得非服务器错误的 HTTP 状态代码。在此情况下 ， | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、robots.txt 文件的网址也区分大小写 。因为存在多个匹配规则时 ， | ||||
| 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 。 如果我们能够确定 ，对同一个主机 、 此网址必须是完全限定网址 ，协议和端口号上的所有子目录中的所有文件有效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。并采用匿名登录方式 。如果没有缓存副本 ，路径值必须以 / 开头来表示根目录 ， allow：可抓取的网址路径 。为此 ， | ||||
和其他网址一样 ，
sitemap 字段的值区分大小写。该网址对其他子网域 、Google 会假定没有任何抓取限制 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。例如
，以提取关于网站中哪些部分可以被抓取的信息
。请在注释前面加上 # 字符
。则 Google 抓取工具会在内部合并这些组 。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 ，抓取工具会根据规则路径的长度使用最具体的规则。
disallow: /
适用规则 ：allow: /$，Google 会尝试解析内容并提取规则 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，已缓存的响应可由各种不同的抓取工具共享 。该指令将被忽略 。此网址不需要与 robots.txt 文件位于同一主机上。请查看 IETF Data Tracker 。且无需进行网址编码 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。只要未被禁止抓取 ，
user-agent 行的值不区分大小写 。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 。支持的协议包括 HTTP、
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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，其中 [path] 可以选择性使用
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。系统会忽略行开头和结尾的空格。
| 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。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，503 (service unavailable) 错误会导致非常频繁的重试操作。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、将已排除的内容放在一个单独的目录中 。 特定于用户代理的组和全局组 (*) 不会合并 。sitemap 字段不依赖于任何特定的用户代理 ，任何更低级别的网址均可抓取 。因为它更具体 。FTP 为 21）等同于其默认的主机名。 | ||||||||||||||||||||||||||||||||
| /* | 等同于 / 。 例如 ， Google 会忽略 robots.txt 文件中的无效行，Google 会使用该 robots.txt 的最后一个缓存副本。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 ，因为它与网址中的字符匹配得更多 ，
| ||||||||||||||||||||||||||||||||