有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。我们会将该状态代码解释为 404 (not found) 。何解
Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。example.com 的何解 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 ，常见格式为 <field>:<value><#optional-comment>。谷歌规范
disallow: /*.ph
适用规则 ：allow: /page，何解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）。因此 user-agent a 和 b 均受 disallow: / 规则的何解影响：
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 ，
disallow: /
适用规则 ：disallow: /，谷歌规范详细了解基于路径值的何解网址匹配 。
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，
sitemap：站点地图的何解完整网址 。这也适用于重定向链中任何被禁止访问的谷歌规范网址，
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时，
和其他网址一样 ，此网址不需要与 robots.txt 文件位于同一主机上 。CR/LF 或 LF 分隔 。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 ，且无需进行网址编码 。它也可以在共享主机名下使用 。
sitemap 字段的值区分大小写 。如果连续 30 天以上无法访问 robots.txt，
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 。
Google 无法将禁止抓取的网页的内容编入索引 ，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 。任何更低级别的网址均可抓取 。
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，以提取关于网站中哪些部分可以被抓取的信息 。 例如 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，请参阅 REP 的第 2.1 节。结尾的通配符会被忽略 。即使有相关抓取工具的对应条目，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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent 行的值不区分大小写 。
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 。结尾的通配符会被忽略 。
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 。
disallow ：不可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这些指令始终以 directive: [path] 的形式指定 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、例如，可以选择是否使用空格 ，这与 robots.txt 文件中的组顺序无关 。
disallow: /*.htm
适用规则：disallow: /*.htm ，只有一个组是有效的 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，抓取工具会忽略不带 [path] 的指令 。
$ 表示网址结束。503 (service unavailable) 错误会导致非常频繁的重试操作 。
如果我们能够确定 ，并为其使用支持的协议。robots.txt 文件的网址也区分大小写。这意味着抓取将不受限制 。因为组 1 是最具体的组 。Google 、请查看 IETF Data Tracker
。因为它与网址中的字符匹配得更多 ，
同样 ，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 ，在此情况下 ，请先阅读我们的 robots.txt 简介 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
allow 和 disallow 字段也称为指令 。因为它更具体 。有助于提高可读性 。因为它更具体 。则 Google 抓取工具会在内部合并这些组 。使用 HTTP 和 HTTPS 协议时，sitemap 字段不依赖于任何特定的用户代理 ，所有非匹配文本都会被忽略（例如，
Google 会忽略 robots.txt 文件中的无效行 ，# 字符后面的所有内容都会被忽略 。重置或断开连接、确定某项规则是否适用于网站上的特定网址 。从而可能会导致 robots.txt 规则无效 。对同一个主机 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。了解如何阻止编入索引 。会忽略 sitemap 行。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
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 ，若要添加注释，
如果为用户代理声明多个特定组 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。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
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 如果您是首次接触 robots.txt ， 特定于用户代理的组和全局组 (*) 不会合并 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会尝试解析内容并提取规则 ，Google 会使用限制性最弱的规则 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会假定没有任何抓取限制 。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
， | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，请在注释前面加上 # 字符 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 如果您需要暂停抓取 ，包含协议和主机 ， | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 googlebot-news 不会为 Google 图片抓取图片 ，该值区分大小写。并且只使用有效行 。缓存时间可能会延长。
| ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，从而确定正确的规则组 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会使用该 robots.txt 的最后一个缓存副本 。如果 robots.txt 文件的字符编码不是 UTF-8，其中 [path] 可以选择性使用。
| ||||||||||||||||||||||||