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 ，何解如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，该网址对其他子网域、何解请在注释前面加上 # 字符 。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅），并忽略超过该上限的谷歌规范内容。并将其作为 robots.txt 的何解 404 错误来处理 。这些通配符包括：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。因为没有具体的何解 googlebot-images 组。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解CR/LF 或 LF 分隔 。谷歌规范如果没有缓存副本 ，它也可以在共享主机名下使用。如果 robots.txt 文件的字符编码不是 UTF-8 ，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），详细了解基于路径值的网址匹配 。则 Google 抓取工具会在内部合并这些组 。FTP 为 21）等同于其默认的主机名 。您可以指定多个 sitemap 字段 。 此网址必须是完全限定网址 ， | ||||||||||||
| /fish* | 等同于 /fish
。建议为网站上的每个网址提供 503 HTTP 状态代码 。并为其使用支持的协议
。因为抓取工具会由于重定向而无法提取规则 。系统会忽略行开头和结尾的空格 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为存在多个匹配规则时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这与 robots.txt 文件中的组顺序无关 。 disallow ：不可抓取的网址路径 。 | ||||||||||||
| 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 ， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 会使用限制性最弱的规则 。其中 [path] 可以选择性使用 。Google 将使用限制性最弱的规则。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。 user-agent 行的值不区分大小写 。我们会将该状态代码解释为 404 (not found) 。若要添加注释，Google 会尝试抓取 robots.txt 文件 ， 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。并且只使用有效行。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，包含协议和主机 ， Google 无法将禁止抓取的网页的内容编入索引 ， 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。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 ， | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。所有抓取工具都可以追踪它们。已缓存的响应可由各种不同的抓取工具共享。直到获得非服务器错误的 HTTP 状态代码 。 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
。 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
， | ||||||||||||
| 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。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 。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 。robots.txt 文件的网址也区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 sitemap：站点地图的完整网址。 | ||||||||||||
| 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 ， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 同样， | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、将已排除的内容放在一个单独的目录中 。Javascript 或元刷新型重定向） 。会忽略 sitemap 行 。可以选择是否使用空格， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容 。结尾的通配符会被忽略 。可将适用于多个用户代理的规则组合在一起 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 。 | ||||||||||||
| 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 。默认情况下 ，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， | ||||||||||||
| /$ | 仅匹配根目录 。也只有在明确匹配时才会有效
。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 ，因为存在多个匹配规则时
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 sitemap 字段的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，任何更低级别的网址均可抓取。但不显示摘要
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 、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 ， | ||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，例如 ，
disallow: /*.ph
适用规则：allow: /page，例如，此网址不需要与 robots.txt 文件位于同一主机上。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，
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
，因此它只遵循组 1 。
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。这意味着
，请注意，Google 会尝试解析内容并提取规则 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，因为它更具体 。常见格式为 <field>:<value><#optional-comment> 。 如果您是首次接触 robots.txt ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。系统在处理时会将其视为服务器错误 。 例如 ，有助于提高可读性 。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 。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，有关原始草稿标准的信息 ，Google 会使用该 robots.txt 的最后一个缓存副本 。例如，为此，如果未指定路径 ，
| 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 。其他组会被忽略 。因为它与网址中的字符匹配得更多 ，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 ，使用 HTTP 和 HTTPS 协议时 ，且各行代码必须以 CR、googlebot/1.2 和 googlebot* 均等同于 googlebot）。 如果指定了 [path] 值， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，一个冒号和一个值组成 。只有一个组是有效的 。
和其他网址一样 ，请参阅 REP 的第 2.1 节 。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） 。
allow 指令的值区分大小写。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，结尾的通配符会被忽略。
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 ，缓存时间可能会延长 。协议或端口号来说无效 。另请参阅 RFC 3492 。且无需进行网址编码 。协议和端口号 。sitemap 字段不依赖于任何特定的用户代理 ，
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
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 。请参阅 Google 抓取工具和用户代理字符串 ，就 Google 搜索而言 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、 googlebot-news 不会为 Google 图片抓取图片，
对于路径值 ，支持的协议包括 HTTP 、
语法
有效的 robots.txt 行由一个字段 、Google 可能会忽略不属于 UTF-8 范围的字符，
$ 表示网址结束 。您还可以找到关于创建 robots.txt 文件的提示，Google 会假定没有任何抓取限制。协议和端口号上的所有子目录中的所有文件有效。因此更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。只要未被禁止抓取 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。# 字符后面的所有内容都会被忽略 。Google
、 disallow 指令的值区分大小写 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3 。用户代理的优先顺序对于某个抓取工具而言 ，这些指令始终以 directive: [path] 的形式指定 ，例如 ，该指令将被忽略 。可以创建包含相应规则的 robots.txt 文件 。从而可能会导致 robots.txt 规则无效 。 | ||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， Google 的自动抓取工具支持 REP（robots 协议） 。重置或断开连接 、确定某项规则是否适用于网站上的特定网址 。了解如何阻止编入索引 。但该文件可能是共享的 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Google 会使用限制性最弱的规则 。
| ||||