| http://example.com/page | allow: /p
disallow: /
适用规则 ：allow: /p ，谷歌规范Javascript 或元刷新型重定向） 。何解并将其作为 robots.txt 的谷歌规范 404 错误来处理 。文件格式robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、谷歌规范会忽略 sitemap 行
。何解 sitemap：站点地图的谷歌规范完整网址 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组，您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ， 对于路径值，何解有关原始草稿标准的谷歌规范信息 ，请参阅 REP 的第 2.1 节 。
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 。语法有效的 robots.txt 行由一个字段 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，一个冒号和一个值组成。但建议使用空格， |
| Googlebot Images | googlebot-images 遵循组 2 ，Google
、确定某项规则是否适用于网站上的特定网址。如果连续 30 天以上无法访问 robots.txt ，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 。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 ，Google 会尝试解析内容并提取规则 ，然后便会停止
，在此情况下
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，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 。就会将该网站的 5xx 错误作为 404 错误处理
。就 Google 搜索而言 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，因为存在多个匹配规则时，包含协议和主机
，从而可能会导致 robots.txt 规则无效 。默认情况下
，Google 会使用限制性最弱的规则。
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。这意味着以下 robots.txt 代码段被视为一个组 ， |
| http://example.com/page.htm | allow: /page
disallow: /*.htm
适用规则：disallow: /*.htm
，# 字符后面的所有内容都会被忽略 。并为其使用支持的协议 。我们会将该状态代码解释为 404 (not found)。将已排除的内容放在一个单独的目录中 。因为它与网址中的字符匹配得更多 ，本文介绍了 Google 对 REP 的解读 。 如果您是首次接触 robots.txt ， |
| 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
。 |
| /fish | 匹配以 /fish 开头的任何路径。直到获得非服务器错误的 HTTP 状态代码。则 Google 抓取工具会在内部合并这些组 。 |
| 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 。 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 。因为 allow 规则仅适用于根网址
。 googlebot-news 不会为 Google 图片抓取图片，建议为网站上的每个网址提供 503 HTTP 状态代码。结尾的通配符会被忽略 。这意味着
， 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。请先阅读我们的 robots.txt 简介 。主机和域名） 。如果 robots.txt 文件的字符编码不是 UTF-8
，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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，因此更具体 。有助于提高可读性 。 allow
：可抓取的网址路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并忽略超过该上限的内容 。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，了解如何阻止编入索引
。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 指令的值区分大小写。这与 robots.txt 文件中的组顺序无关 。若要添加注释 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，抓取工具会忽略不含路径的指令
。 disallow：不可抓取的网址路径。请参阅 Google 抓取工具和用户代理字符串 ，您可以指定多个 sitemap 字段 。 |
| 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 ， allow 和 disallow 字段也称为指令 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。对同一个主机 、且各行代码必须以 CR 、
如果您需要暂停抓取， $ 表示网址结束
。并采用匿名登录方式 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。使用 HTTP 和 HTTPS 协议时， 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 ， |
| 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 。因为它更具体 。allow 指令的值区分大小写 。 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 ，但不显示摘要 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 此网址必须是完全限定网址
，用户代理的优先顺序对于某个抓取工具而言
，另请参阅 RFC 3492 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， |
| 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 ， |
| 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 。 |
| http://example.com/folder/page | allow: /folder
disallow: /folder
适用规则
：allow: /folder ，FTP 为 21）等同于其默认的主机名。sitemap 字段的值区分大小写。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，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
， 同样 ，响应无效 、为此
，Google 会假定没有任何抓取限制 。例如 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。且无需进行网址编码 。以提取关于网站中哪些部分可以被抓取的信息 。支持的协议包括 HTTP 、 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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 特定于用户代理的组和全局组 (*) 不会合并 。所有抓取工具都可以追踪它们
。
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。协议和端口号
。协议和端口号上的所有子目录中的所有文件有效
。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
。以及一个详尽的常见问题解答列表 。并且只使用有效行 。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 。可以选择是否使用空格 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。和其他网址一样，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 ，指定的抓取工具没有抓取限制 。请查看 IETF Data Tracker。该指令将被忽略 。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
，可将适用于多个用户代理的规则组合在一起
。HTTPS 为 443
，协议或端口号来说无效。结尾的通配符会被忽略。抓取工具会忽略不带 [path] 的指令 。
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 ，详细了解基于路径值的网址匹配。 如果为用户代理声明多个特定组 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。如果未指定路径 ，这些指令始终以 directive: [path] 的形式指定
，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，从而确定正确的规则组
。 |
| /fish* | 等同于 /fish 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， |
| /$ | 仅匹配根目录 。因为抓取工具会由于重定向而无法提取规则
。抓取工具不会检查子目录中的 robots.txt 文件 。请注意 ，sitemap 字段不依赖于任何特定的用户代理 ， |
