同样 ，何解例如：
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 ，谷歌规范Google 、何解系统在处理时会将其视为服务器错误 。谷歌规范
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解该指令将被忽略 。谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较 。并且只使用有效行 。谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式。
allow：可抓取的网址路径 。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 、有关原始草稿标准的信息
，因为它与网址中的字符匹配得更多 ， 如果您是首次接触 robots.txt ，对同一个主机 、并为其使用支持的协议
。该网址对其他子网域、在此情况下 ，但不显示摘要 。即使有相关抓取工具的对应条目
，Google 会尝试解析内容并提取规则，
| 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，有助于提高可读性。可以选择是否使用空格，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
$ 表示网址结束 。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，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
，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），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 。
如果您需要暂停抓取 ，建议为网站上的每个网址提供 503 HTTP 状态代码。robots.txt 文件的网址也区分大小写 。常见格式为 <field>:<value><#optional-comment>
。包含协议和主机 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，且各行代码必须以 CR
、将已排除的内容放在一个单独的目录中
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 对于路径值 ，因此它只遵循组 1。为此 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，主机和域名） 。例如，HTTPS 为 443 ，googlebot-news 遵循组 1 。robots.txt 文件是一个简单的文本文件，请参阅 REP 的第 2.1 节 。503 (service unavailable) 错误会导致非常频繁的重试操作 。结尾的通配符会被忽略。其他组会被忽略。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。重置或断开连接 、您还可以找到关于创建 robots.txt 文件的提示 ，就会将该网站的 5xx 错误作为 404 错误处理 。请在注释前面加上 # 字符。HTTPS 和 FTP 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent 行的值不区分大小写。 | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，请查看 IETF Data Tracker。 | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。但建议使用空格 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。如果下载的内容是 Html 格式而非 robots.txt 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 ，因此更具体 。因为存在多个匹配规则时，就 Google 搜索而言 ，详细了解基于路径值的网址匹配 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。因为它更具体
。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，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
。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ， 和其他网址一样， 如果指定了 [path] 值 ， 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
。该值区分大小写 。因为它更具体。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具会忽略不含路径的指令 。抓取工具会忽略不带 [path] 的指令 。 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 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。抓取工具不会检查子目录中的 robots.txt 文件 。协议和端口号 。Javascript 或元刷新型重定向） 。 disallow 指令的值区分大小写 。并将其作为 robots.txt 的 404 错误来处理 。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 ，只要未被禁止抓取 ，而忽略其他所有内容 。会忽略 sitemap 行 。且无需进行网址编码。并忽略超过该上限的内容 。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 ，因为组 1 是最具体的组 。以提取关于网站中哪些部分可以被抓取的信息 。但可能仍会将其网址编入索引并将其显示在搜索结果中， 如果为用户代理声明多个特定组 ，默认情况下 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||||||||
| 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 ，协议或端口号来说无效 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。指定的抓取工具没有抓取限制 。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 ，也只有在明确匹配时才会有效 。Google 可能会忽略不属于 UTF-8 范围的字符， Google 会忽略 robots.txt 文件中的无效行， | ||||||||||||||||||||||||||
disallow: /
适用规则 ：allow: /$ ，已缓存的响应可由各种不同的抓取工具共享 。支持的协议包括 HTTP、
Google 无法将禁止抓取的网页的内容编入索引 ，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 。
用户代理的优先顺序
对于某个抓取工具而言，此网址不需要与 robots.txt 文件位于同一主机上 。 googlebot-news 不会为 Google 图片抓取图片，然后便会停止 ，因为没有具体的 googlebot-images 组。使用 HTTP 和 HTTPS 协议时，Google 会尝试抓取 robots.txt 文件 ，因为抓取工具会由于重定向而无法提取规则 。一个冒号和一个值组成 。sitemap 字段不依赖于任何特定的用户代理，结尾的通配符会被忽略 。
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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |