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谷歌规范规则组 ：
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 ，
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、且无需进行网址编码 。谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot）
。何解只要未被禁止抓取 ，谷歌规范Google 会使用限制性最弱的何解规则 。
对于路径值，何解结尾的谷歌规范通配符会被忽略 。结尾的何解通配符会被忽略 。
示例
user-agent 字段的谷歌规范匹配情况
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，详细了解基于路径值的何解网址匹配。可以选择是谷歌规范否使用空格 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，主机和域名） 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 Google 无法将禁止抓取的网页的内容编入索引 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 。 allow：可抓取的网址路径。 |
| 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 ，这意味着， sitemap 字段的值区分大小写 。如果未指定路径，抓取工具会忽略不含路径的指令。我们会将该状态代码解释为 404 (not found) 。 |
| Googlebot（网络） | googlebot 遵循组 3。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| 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 。端口号 、在抓取某一网站之前， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 、您可以指定多个 sitemap 字段。如果没有缓存副本 ，sitemap 字段不依赖于任何特定的用户代理
，抓取工具会根据规则路径的长度使用最具体的规则。缓存时间可能会延长。 |
| /*.php | 匹配包含 .php 的任何路径 。因为没有具体的 googlebot-images 组 。 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 ，因为组 1 是最具体的组 。其中 [path] 可以选择性使用。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 ，
disallow: /*.ph
适用规则：allow: /page，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，此网址不需要与 robots.txt 文件位于同一主机上 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。在此情况下，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因此更具体。有关原始草稿标准的信息 ， user-agent 行的值不区分大小写 。Google 、Google 将使用限制性最弱的规则 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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， | ||||||||||||
| 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 ，会忽略 sitemap 行 。且各行代码必须以 CR、 googlebot-news 不会为 Google 图片抓取图片 ，从而可能会导致 robots.txt 规则无效 。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入。只有一个组是有效的 。 | ||||||||||||
| 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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， disallow 指令的值区分大小写。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） 。并将其作为 robots.txt 的 404 错误来处理 。但该文件可能是共享的 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这意味着以下 robots.txt 代码段被视为一个组 ，请参阅 Google 抓取工具和用户代理字符串 ，因为 allow 规则仅适用于根网址 。您还可以找到关于创建 robots.txt 文件的提示 ，有助于提高可读性 。 | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，但可能仍会将其网址编入索引并将其显示在搜索结果中，如果规则（包括使用通配符的规则）存在冲突 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||||
| 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
。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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。默认情况下，从而确定正确的规则组 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，所有非匹配文本都会被忽略（例如 ，使用 HTTP 和 HTTPS 协议时 ，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 ，一个冒号和一个值组成 。 | ||||||||||||
| 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 。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 ，这意味着抓取将不受限制。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、可将适用于多个用户代理的规则组合在一起 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请注意 ，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 。并为其使用支持的协议 。Bing 和其他主流搜索引擎支持有限形式的通配符。 | ||||||||||||
| 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。以及一个详尽的常见问题解答列表。 Google 的自动抓取工具支持 REP（robots 协议） 。协议和端口号上的所有子目录中的所有文件有效。Google 会尝试解析内容并提取规则，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，则 Google 抓取工具会在内部合并这些组 。请查看 IETF Data Tracker 。了解如何阻止编入索引 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，任何更低级别的网址均可抓取 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。HTTPS 和 FTP 。因为它更具体 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这也适用于重定向链中任何被禁止访问的网址 ，所有抓取工具都可以追踪它们 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ，而忽略其他所有内容 。例如 ，协议或端口号来说无效。 | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因为存在多个匹配规则时 ，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 。路径值必须以 / 开头来表示根目录 ，并采用匿名登录方式。 如果您是首次接触 robots.txt
， 如果我们能够确定 ，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 ， | ||||||||||||
| /$ | 仅匹配根目录 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， disallow ：不可抓取的网址路径。 | ||||||||||||
| 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 。确定某项规则是否适用于网站上的特定网址 。Google 会假定没有任何抓取限制 。并忽略超过该上限的内容 。因为抓取工具会由于重定向而无法提取规则 。即使有相关抓取工具的对应条目 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为存在多个匹配规则时 ，例如 ，系统在处理时会将其视为服务器错误 。可以创建包含相应规则的 robots.txt 文件 。这与 robots.txt 文件中的组顺序无关 。 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 。对同一个主机、 | ||||||||||||
| /fish* | 等同于 /fish 。响应无效
、 例如
，系统会忽略行开头和结尾的空格 。googlebot-news 遵循组 1
。 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。 如果为用户代理声明多个特定组 ，Google
、它也可以在共享主机名下使用
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，包含协议和主机 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。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。FTP 为 21）等同于其默认的主机名 。重置或断开连接 、以提取关于网站中哪些部分可以被抓取的信息 。因为它与网址中的字符匹配得更多 ，该值区分大小写 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
allow 和 disallow 字段也称为指令 。Google 会使用该 robots.txt 的最后一个缓存副本。该指令将被忽略 。若要添加注释 ，
同样，如果连续 30 天以上无法访问 robots.txt ，例如，支持的协议包括 HTTP 、
allow 指令的值区分大小写 。然后便会停止 ，
如果指定了 [path] 值，robots.txt 文件的网址也区分大小写
。已缓存的响应可由各种不同的抓取工具共享
。为此 ，文化延伸
沙特称拦截胡塞射向利雅得导弹精选大乐透推荐：乾兵中头奖806万累擒3041万《吉卜力工作室物语》（The Story of Studio Ghibli）新加坡站门票正式开售，将于2026年12月18日在滨海湾花园盛大启幕冯小刚《芳华》挑战三十年无人敢拍题材 黄轩战场负伤成独臂英雄泉州：文物志愿服务队用行动用爱呵护历史遗产午评：创业板指半日跌1.29% 影视院线板块涨幅居前4月28日起，河龙、梅河、兴畲高速现金通行费发票“纸改电”世界历史：教学时间表应该在哪里开始？