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Google 会使用限制性最弱的何解规则 。抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。例如 ，何解因为它与网址中的谷歌规范字符匹配得更多 ，协议和端口号上的何解所有子目录中的所有文件有效 。可以创建包含相应规则的谷歌规范 robots.txt 文件 。
sitemap ：站点地图的完整网址 。对同一个主机 、而忽略其他所有内容。 此网址必须是完全限定网址，如果连续 30 天以上无法访问 robots.txt ，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。因此它只遵循组 1 。 例如 ，但建议使用空格 ，请注意 ，
如果为用户代理声明多个特定组 ，这与 robots.txt 文件中的组顺序无关 。robots.txt 文件的网址也区分大小写 。
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 。
$ 表示网址结束 。因为存在多个匹配规则时 ，指定的抓取工具没有抓取限制 。因此更具体 。因为存在多个匹配规则时，
disallow ：不可抓取的网址路径 。如果没有缓存副本 ，FTP 为 21）等同于其默认的主机名 。且无需进行网址编码 。
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 。
allow 和 disallow 字段也称为指令 。请先阅读我们的 robots.txt 简介 。
Google 的自动抓取工具支持 REP（robots 协议） 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，并将其作为 robots.txt 的 404 错误来处理 。
disallow: /
适用规则 ：allow: /$ ，抓取工具会忽略不带 [path] 的指令 。此网址不需要与 robots.txt 文件位于同一主机上 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。CR/LF 或 LF 分隔 。# 字符后面的所有内容都会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
Google 无法将禁止抓取的网页的内容编入索引 ，如果未指定路径
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，了解如何阻止编入索引 。Google 会使用该 robots.txt 的最后一个缓存副本。
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 ，
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。
robots.txt 文件中列出的规则只适用于该文件所在的主机、缓存时间可能会延长 。请查看 IETF Data Tracker。然后便会停止 ，可将适用于多个用户代理的规则组合在一起 。
disallow 指令的值区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为没有具体的 googlebot-images 组 。请在注释前面加上 # 字符 。
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。但该文件可能是共享的 ，例如 ，并忽略超过该上限的内容 。协议或端口号来说无效。googlebot-news 遵循组 1。
如果指定了 [path] 值 ，
| 示例情况 | |||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， | ||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，我们会将该状态代码解释为 404 (not found)
。但不显示摘要 。 对于路径值 ， 用户代理的优先顺序对于某个抓取工具而言 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略 。该网址对其他子网域、 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。 如果您需要暂停抓取 ， 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 。 sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||||||||||||
| 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
，所有抓取工具都可以追踪它们 。 同样，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 ，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 会尝试解析内容并提取规则，它也可以在共享主机名下使用 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 、任何更低级别的网址均可抓取 。系统会忽略行开头和结尾的空格 。这也适用于重定向链中任何被禁止访问的网址 ，协议和端口号 。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 ，系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，HTTPS 为 443 ，有关原始草稿标准的信息 ， | ||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但可能仍会将其网址编入索引并将其显示在搜索结果中，sitemap 字段不依赖于任何特定的用户代理， | ||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、只有一个组是有效的 。 googlebot-news 不会为 Google 图片抓取图片 ，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 。将已排除的内容放在一个单独的目录中 。您还可以找到关于创建 robots.txt 文件的提示，请参阅 REP 的第 2.1 节。 | ||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Javascript 或元刷新型重定向） 。该值区分大小写 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，端口号、因为它更具体 。HTTPS 和 FTP 。
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 ，
allow ：可抓取的网址路径 。详细了解基于路径值的网址匹配 。
本文介绍了 Google 对 REP 的解读。这意味着以下 robots.txt 代码段被视为一个组 ，
如果我们能够确定 ，因为它更具体
。
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 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。所有非匹配文本都会被忽略（例如 ，可以选择是否使用空格 ，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 ，主机和域名）
。因为 allow 规则仅适用于根网址
。 | ||||||||
| /*.php | 匹配包含 .php 的任何路径。就会将该网站的 5xx 错误作为 404 错误处理
。已缓存的响应可由各种不同的抓取工具共享。 和其他网址一样 ，Google 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| ||||||||