规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。有助于提高可读性 。何解 此网址必须是谷歌规范完全限定网址 ，CR/LF 或 LF 分隔 。何解请注意 ，谷歌规范下面说明了抓取工具如何理解之前的何解 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，请查看 IETF Data Tracker 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解HTTPS 为 443 ，谷歌规范
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
用户代理的优先顺序
对于某个抓取工具而言 ，
user-agent 行的值不区分大小写 。Google 、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，抓取工具会忽略不含路径的指令 。 googlebot-news 不会为 Google 图片抓取图片 ，也只有在明确匹配时才会有效。这意味着以下 robots.txt 代码段被视为一个组，因为存在多个匹配规则时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
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 ，从而可能会导致 robots.txt 规则无效 。因为 allow 规则仅适用于根网址 。一个冒号和一个值组成。了解如何阻止编入索引。将已排除的内容放在一个单独的目录中 。
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 如果指定了 [path] 值 ， | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为存在多个匹配规则时 ， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，系统会忽略行开头和结尾的空格 。Google 、对同一个主机 、 例如 ， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 本文介绍了 Google 对 REP 的解读 。 语法有效的 robots.txt 行由一个字段 、包含协议和主机 ，任何更低级别的网址均可抓取 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。该网址对其他子网域 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，这也适用于重定向链中任何被禁止访问的网址 ，系统在处理时会将其视为服务器错误 。所有非匹配文本都会被忽略（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 。如果未指定路径 ， 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 。例如 ， 如果您是首次接触 robots.txt ，这些指令始终以 directive: [path] 的形式指定 ，因此更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||
| 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 ，确定某项规则是否适用于网站上的特定网址 。只要未被禁止抓取 ，Javascript 或元刷新型重定向） 。 | ||||||||||||
| /$ | 仅匹配根目录。此网址不需要与 robots.txt 文件位于同一主机上 。缓存时间可能会延长
。 allow ：可抓取的网址路径 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、在抓取某一网站之前，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，googlebot-news 遵循组 1 。其中 [path] 可以选择性使用 。且无需进行网址编码 。Google 会使用该 robots.txt 的最后一个缓存副本 。但该文件可能是共享的， | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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。Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 allow 指令的值区分大小写。若要添加注释，Google 会使用限制性最弱的规则 。使用 HTTP 和 HTTPS 协议时，因为它与网址中的字符匹配得更多 ， | ||||||||||||
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。 $ 表示网址结束 。 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，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。 | ||||||||||||
| 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) 。但建议使用空格 ，因为抓取工具会由于重定向而无法提取规则 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。该值区分大小写。并采用匿名登录方式 。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） ，就 Google 搜索而言 ，Google 将使用限制性最弱的规则 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，请在注释前面加上 # 字符 。而忽略其他所有内容 。 | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， | ||||||||||||
| 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 。FTP 为 21）等同于其默认的主机名 。并忽略超过该上限的内容 。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 ，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 ， | ||||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。 | ||||||||||||
| 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，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），在此情况下 ，例如 ，抓取工具会根据规则路径的长度使用最具体的规则。但不显示摘要 。因为组 1 是最具体的组。结尾的通配符会被忽略 。即使有相关抓取工具的对应条目 ， | ||||||||||||
| 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 。 disallow 指令的值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符， | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。默认情况下
，它也可以在共享主机名下使用
。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 /desert/fish 注意：匹配时区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，常见格式为 <field>:<value><#optional-comment>。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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：
| ||||||||||