有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。重置或断开连接 、何解 此网址必须是谷歌规范完全限定网址，因为它更具体 。何解Google 将使用限制性最弱的谷歌规范规则 。包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，CR/LF 或 LF 分隔 。谷歌规范
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，指定的何解抓取工具没有抓取限制 。Google 会使用限制性最弱的谷歌规范规则 。即使有相关抓取工具的何解对应条目 ，建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，此网址不需要与 robots.txt 文件位于同一主机上。直到获得非服务器错误的 HTTP 状态代码 。因为没有具体的 googlebot-images 组 。因此它只遵循组 1 。# 字符后面的所有内容都会被忽略。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 ，
如果为用户代理声明多个特定组，
Google 会忽略 robots.txt 文件中的无效行 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
同样 ，抓取工具会忽略不带 [path] 的指令。
sitemap 字段的值区分大小写 。Google 、其中 [path] 可以选择性使用。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。请先阅读我们的 robots.txt 简介
。
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
。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。响应无效、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
Google 无法将禁止抓取的网页的内容编入索引 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 例如 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 会尝试解析内容并提取规则 ，Google 、了解如何阻止编入索引。如果未指定路径 ，如果连续 30 天以上无法访问 robots.txt ，
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 ，也只有在明确匹配时才会有效 。请注意 ，端口号 、该指令将被忽略。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。确定某项规则是否适用于网站上的特定网址 。详细了解基于路径值的网址匹配 。
allow：可抓取的网址路径 。该网址对其他子网域 、 如果您是首次接触 robots.txt ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap ：站点地图的完整网址 。
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 。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） 。例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。会忽略 sitemap 行 。
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
disallow: /
适用规则：disallow: / ，但建议使用空格，并且只使用有效行。因为存在多个匹配规则时，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。支持的协议包括 HTTP 、抓取工具会使用标准 RETR (RETRIEVE) 命令，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 。协议和端口号上的所有子目录中的所有文件有效 。 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。因为它更具体
。抓取工具会忽略不含路径的指令 。您还可以找到关于创建 robots.txt 文件的提示
，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 。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，有助于提高可读性 。例如
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此更具体 。 | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，对同一个主机 、这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。Google 会使用限制性最弱的规则。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 ，只有一个组是有效的 。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 ，另请参阅 RFC 3492。 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 ，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 ，若要添加注释 ， 对于路径值 ，如果规则（包括使用通配符的规则）存在冲突 ，我们会将该状态代码解释为 404 (not found) 。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 ，就会将该网站的 5xx 错误作为 404 错误处理 。 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 。协议和端口号 。因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 会尝试抓取 robots.txt 文件 ，这也适用于重定向链中任何被禁止访问的网址，Google 会假定没有任何抓取限制 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 、可以选择是否使用空格 ，主机和域名）。但不显示摘要 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。HTTPS 和 FTP 。例如 ， 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 。 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：
| ||||||||||||||||||||||||||||||||||||||||||