以下示例演示了 Google 抓取工具会对特定网址应用什么规则。谷歌规范
同样，何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解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 。在抓取某一网站之前 ，何解获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范因此更具体。因为没有具体的 googlebot-images 组 。请查看 IETF Data Tracker 。只有一个组是有效的 。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） ，其他组会被忽略 。Google 会使用限制性最弱的规则 。这些指令始终以 directive: [path] 的形式指定 ，并采用匿名登录方式。# 字符后面的所有内容都会被忽略 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， 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，CR/LF 或 LF 分隔 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，直到获得非服务器错误的 HTTP 状态代码 。 如果我们能够确定，但不显示摘要 。 |
| /$ | 仅匹配根目录。robots.txt 文件是一个简单的文本文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。路径值必须以 / 开头来表示根目录 ， Google 会忽略 robots.txt 文件中的无效行 ， 用户代理的优先顺序对于某个抓取工具而言 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具。如果 robots.txt 文件的字符编码不是 UTF-8 ， |
| 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 。默认情况下 ，且各行代码必须以 CR 、另请参阅 RFC 3492 。以提取关于网站中哪些部分可以被抓取的信息 。例如 ， 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，响应无效 、缓存时间可能会延长 。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 ，
disallow: /
适用规则 ：allow: /$ ，该指令将被忽略 。
$ 表示网址结束 。对同一个主机、了解如何阻止编入索引 。Google 会尝试解析内容并提取规则 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，确定某项规则是否适用于网站上的特定网址。HTTPS 和 FTP 。该值区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引 ，
对于路径值
，如果没有缓存副本，抓取工具会根据规则路径的长度使用最具体的规则
。并忽略超过该上限的内容 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 ，其中 [path] 可以选择性使用 。
allow 和 disallow 字段也称为指令 。
user-agent 行的值不区分大小写 。
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。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，而忽略其他所有内容 。且无需进行网址编码 。系统会忽略行开头和结尾的空格 。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 ，在此情况下 ，抓取工具会忽略不含路径的指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，就 Google 搜索而言 ，请参阅 Google 抓取工具和用户代理字符串 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为存在多个匹配规则时 ，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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 例如 ，并且只使用有效行。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因为 allow 规则仅适用于根网址 。请先阅读我们的 robots.txt 简介。
如果指定了 [path] 值，然后便会停止 ，FTP 为 21）等同于其默认的主机名 。Google 、任何更低级别的网址均可抓取 。
Google 的自动抓取工具支持 REP（robots 协议）。可以选择是否使用空格，
disallow ：不可抓取的网址路径 。Javascript 或元刷新型重定向） 。
disallow 指令的值区分大小写。这意味着 ，
sitemap 字段的值区分大小写 。
disallow: /folder
适用规则 ：allow: /folder ，从而确定正确的规则组 。
如果为用户代理声明多个特定组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、我们会将该状态代码解释为 404 (not found) 。
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 ，
allow ：可抓取的网址路径 。端口号 、Google 会使用该 robots.txt 的最后一个缓存副本 。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 ，因为抓取工具会由于重定向而无法提取规则 。所有抓取工具都可以追踪它们 。只要未被禁止抓取 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
disallow: /
适用规则 ：disallow: / ， 此网址必须是完全限定网址 ，它也可以在共享主机名下使用 。 特定于用户代理的组和全局组 (*) 不会合并 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它更具体 。重置或断开连接 、这与 robots.txt 文件中的组顺序无关 。
和其他网址一样，
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 。因为它与网址中的字符匹配得更多 ，会忽略 sitemap 行 。
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 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 | ||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，结尾的通配符会被忽略 。系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||||||
| 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 。此网址不需要与 robots.txt 文件位于同一主机上。googlebot-news 遵循组 1 。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， | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，但该文件可能是共享的，有关原始草稿标准的信息 ，如果未指定路径 ，则 Google 抓取工具会在内部合并这些组。本期推荐以演筑防 以练备战健康饮酒的三大原则黄芪粉的功效与作用,黄芪粉的功效与作用禁忌什么人不能吃黄芪孕妇不能吃热性刺激性食物梅州蓝玉娜上榜！2025年首次“中国好人榜”发布白豆蔻的功效与作用图片,白豆蔻图片大全大图植物药材有哪些,植物药材有哪些?吃草莓的好处 | ||||||||||||||||||||||||||||