匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效。然后便会停止 ，谷歌规范这与 robots.txt 文件中的何解组顺序无关。您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。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 ，何解
disallow: /
适用规则 ：allow: /$，谷歌规范即使有相关抓取工具的何解对应条目，为此 ，谷歌规范
allow 和 disallow 字段也称为指令 。何解 如果您是谷歌规范首次接触 robots.txt
，在抓取某一网站之前
，何解
如果您需要暂停抓取 ，谷歌规范包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 会尝试解析内容并提取规则
，因此它只遵循组 1。有助于提高可读性。以及一个详尽的常见问题解答列表 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，所有抓取工具都可以追踪它们 。
用户代理的优先顺序
对于某个抓取工具而言，如果没有缓存副本 ，
sitemap 字段的值区分大小写 。且无需进行网址编码 。直到获得非服务器错误的 HTTP 状态代码 。该网址对其他子网域 、
allow 指令的值区分大小写。 此网址必须是完全限定网址 ，抓取工具会忽略不带 [path] 的指令。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 会尝试抓取 robots.txt 文件 ，
| 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
。robots.txt 文件的网址也区分大小写。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） ，只有一个组是有效的
。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，任何更低级别的网址均可抓取 。这意味着以下 robots.txt 代码段被视为一个组 ，且各行代码必须以 CR 、因为它更具体 。 | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，默认情况下 ，Google 会使用限制性最弱的规则 。 本文介绍了 Google 对 REP 的解读。抓取工具不会检查子目录中的 robots.txt 文件 。因为它更具体 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，但该文件可能是共享的 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、结尾的通配符会被忽略。只要未被禁止抓取 ，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） 。 | ||||||||||||||||
| 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，但建议使用空格 ， | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||
| 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 。 | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。 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 将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。详细了解基于路径值的网址匹配。因为它与网址中的字符匹配得更多 ，协议和端口号 。其中 [path] 可以选择性使用 。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。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ， 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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为组 1 是最具体的组。因为 allow 规则仅适用于根网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。从而确定正确的规则组 。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，并为其使用支持的协议 。 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 。例如 ，例如 ， | ||||||||||||||||
| 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 。并采用匿名登录方式 。该指令将被忽略 。FTP 为 21）等同于其默认的主机名。 allow ：可抓取的网址路径 。 | ||||||||||||||||
| /fish* | 等同于 /fish。 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 。系统会忽略行开头和结尾的空格 。因此更具体。响应无效、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。Google 会使用限制性最弱的规则 。包含协议和主机 ，Google 会使用该 robots.txt 的最后一个缓存副本。 $ 表示网址结束 。 | ||||||||||||||||
| 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
， 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。并将其作为 robots.txt 的 404 错误来处理。路径值必须以 / 开头来表示根目录 ，支持的协议包括 HTTP 、 | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，并忽略超过该上限的内容 。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）。 如果指定了 [path] 值 ，另请参阅 RFC 3492 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。就会将该网站的 5xx 错误作为 404 错误处理 。 user-agent 行的值不区分大小写 。因为存在多个匹配规则时 ，例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ，常见格式为 <field>:<value><#optional-comment> 。其他组会被忽略。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 ，这意味着 ，因为存在多个匹配规则时 ， 如果为用户代理声明多个特定组，如果规则（包括使用通配符的规则）存在冲突，以提取关于网站中哪些部分可以被抓取的信息 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。请参阅 REP 的第 2.1 节 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||
| 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 组块错误等）而无法抓取的 robots.txt 文件 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。从而可能会导致 robots.txt 规则无效。该值区分大小写 。可以选择是否使用空格 ， | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。googlebot-news 遵循组 1 。Google 、协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 例如 ，因为没有具体的 googlebot-images 组 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，
| ||||||||||||||||