对于路径值 ，何解但该文件可能是谷歌规范共享的 ，只要未被禁止抓取 ，何解重置或断开连接、谷歌规范Javascript 或元刷新型重定向）。何解请查看 IETF Data Tracker 。谷歌规范例如 ，何解如果连续 30 天以上无法访问 robots.txt ，谷歌规范
| 示例情况 | |||||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解已缓存的谷歌规范响应可由各种不同的抓取工具共享。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件，Google 会使用限制性最弱的谷歌规范规则 。可以选择是否使用空格 ，以提取关于网站中哪些部分可以被抓取的信息。因为抓取工具会由于重定向而无法提取规则 。 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
。路径值必须以 / 开头来表示根目录 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 会尝试抓取 robots.txt 文件 ，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 不会为 Google 图片抓取图片 ，在抓取某一网站之前 ， | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，抓取工具会根据规则路径的长度使用最具体的规则 。抓取工具会忽略不含路径的指令。并将其作为 robots.txt 的 404 错误来处理。使用 HTTP 和 HTTPS 协议时 ，其他组会被忽略 。详细了解基于路径值的网址匹配 。 | ||||||||||||||||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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。其中 [path] 可以选择性使用 。然后便会停止 ，因为没有具体的 googlebot-images 组 。常见格式为 <field>:<value><#optional-comment> 。Google 会假定没有任何抓取限制 。此网址不需要与 robots.txt 文件位于同一主机上 。并忽略超过该上限的内容 。任何更低级别的网址均可抓取 。抓取工具会忽略不带 [path] 的指令 。并采用匿名登录方式 。有助于提高可读性 。我们会将该状态代码解释为 404 (not found) 。从而可能会导致 robots.txt 规则无效 。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） 。这意味着抓取将不受限制 。默认情况下 ，Google 会使用该 robots.txt 的最后一个缓存副本。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。Google 、在此情况下 ， allow ：可抓取的网址路径。因为存在多个匹配规则时 ，且各行代码必须以 CR 、请在注释前面加上 # 字符 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。另请参阅 RFC 3492 。 | ||||||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、响应无效 、将已排除的内容放在一个单独的目录中 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，直到获得非服务器错误的 HTTP 状态代码
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 ，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 ，
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 。如果没有缓存副本 ，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，这意味着以下 robots.txt 代码段被视为一个组，
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 ，而忽略其他所有内容。包含协议和主机 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，Google 将使用限制性最弱的规则 。系统会忽略行开头和结尾的空格 。
user-agent 行的值不区分大小写 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
disallow: /
适用规则 ：allow: /$ ，就 Google 搜索而言 ，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 。您可以指定多个 sitemap 字段。建议为网站上的每个网址提供 503 HTTP 状态代码 。
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 。
如果您需要暂停抓取 ，该值区分大小写。
disallow: /*.ph
适用规则 ：allow: /page ，
同样 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、HTTPS 为 443，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 ，
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。
$ 表示网址结束 。因为它更具体 。Google 会尝试解析内容并提取规则 ，
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。协议和端口号 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具不会检查子目录中的 robots.txt 文件 。
sitemap 字段的值区分大小写。 例如，就会将该网站的 5xx 错误作为 404 错误处理。
Google 无法将禁止抓取的网页的内容编入索引 ，且无需进行网址编码 。如果未指定路径 ，
Google 会忽略 robots.txt 文件中的无效行 ，协议或端口号来说无效 。
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