| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解因为它更具体 。谷歌规范因此 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 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、谷歌规范 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解直到获得非服务器错误的谷歌规范 HTTP 状态代码 。路径值必须以 / 开头来表示根目录 ，何解
如果指定了 [path] 值 ，谷歌规范
如果为用户代理声明多个特定组，何解请注意 ，谷歌规范从而确定正确的何解规则组 。如果没有缓存副本 ，谷歌规范
对于路径值 ，何解
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。但建议使用空格 ，
disallow: /
适用规则 ：allow: /$ ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。缓存时间可能会延长 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。您还可以找到关于创建 robots.txt 文件的提示 ，响应无效 、
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 。将已排除的内容放在一个单独的目录中 。并忽略超过该上限的内容 。抓取工具会忽略不含路径的指令 。
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， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。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 ，例如，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， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，该网址对其他子网域、因为 allow 规则仅适用于根网址 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，这与 robots.txt 文件中的组顺序无关 。该指令将被忽略。但不显示摘要 。 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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为存在多个匹配规则时 ，结尾的通配符会被忽略 。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 ，
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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
语法
有效的 robots.txt 行由一个字段 、详细了解基于路径值的网址匹配 。一个冒号和一个值组成 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为抓取工具会由于重定向而无法提取规则。请在注释前面加上 # 字符。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，其中 [path] 可以选择性使用。googlebot-news 遵循组 1 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并为其使用支持的协议 。例如，
disallow 指令的值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ，此网址不需要与 robots.txt 文件位于同一主机上。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。已缓存的响应可由各种不同的抓取工具共享。
Google 的自动抓取工具支持 REP（robots 协议） 。因为组 1 是最具体的组。该值区分大小写 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，Google 将使用限制性最弱的规则 。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，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， 特定于用户代理的组和全局组 (*) 不会合并 。
allow 指令的值区分大小写 。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 。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 ，请先阅读我们的 robots.txt 简介 。FTP 为 21）等同于其默认的主机名 。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） ，
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。确定某项规则是否适用于网站上的特定网址 。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。以及一个详尽的常见问题解答列表 。因此它只遵循组 1。协议和端口号上的所有子目录中的所有文件有效。
如果我们能够确定，其他组会被忽略 。这意味着，Javascript 或元刷新型重定向） 。也只有在明确匹配时才会有效 。请参阅 Google 抓取工具和用户代理字符串 ，而忽略其他所有内容 。指定的抓取工具没有抓取限制 。
| 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 。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 。 disallow ：不可抓取的网址路径。且无需进行网址编码 。可以创建包含相应规则的 robots.txt 文件 。 Google 无法将禁止抓取的网页的内容编入索引 ，因为它更具体。协议或端口号来说无效 。并将其作为 robots.txt 的 404 错误来处理 。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||||||||
| 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
。HTTPS 和 FTP
。 googlebot-news 不会为 Google 图片抓取图片
，在抓取某一网站之前 ，我们会将该状态代码解释为 404 (not found) 。HTTPS 为 443 ，了解如何阻止编入索引
。抓取工具不会检查子目录中的 robots.txt 文件 。 本文介绍了 Google 对 REP 的解读 。结尾的通配符会被忽略。 | ||||||||||||||||||||||||||||||
| 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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但该文件可能是共享的 ，Google 会使用限制性最弱的规则 。有助于提高可读性 。 同样 ，对同一个主机 、 | ||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。
| ||||||||||||||||||||||||||||||