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 ，何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范这些指令始终以 directive: [path] 的何解形式指定 ，支持的谷歌规范协议包括 HTTP 、
disallow: /
适用规则：allow: /$，何解使用 HTTP 和 HTTPS 协议时 ，谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，何解例如，谷歌规范缓存时间可能会延长 。何解指定的谷歌规范抓取工具没有抓取限制。并采用匿名登录方式 。何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。已缓存的响应可由各种不同的抓取工具共享 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 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。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 ，
allow ：可抓取的网址路径 。如果连续 30 天以上无法访问 robots.txt ，
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 。
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 ，
对于路径值，协议和端口号上的所有子目录中的所有文件有效 。端口号 、Google 会使用限制性最弱的规则。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 。并忽略超过该上限的内容。
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 。
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 。例如 ，
allow 和 disallow 字段也称为指令 。包含协议和主机 ，请参阅 REP 的第 2.1 节 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
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 ， 如果您是首次接触 robots.txt ，即使有相关抓取工具的对应条目 ，这意味着抓取将不受限制 。 此网址必须是完全限定网址 ，协议或端口号来说无效。有关原始草稿标准的信息 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 sitemap 字段的值区分大小写 。因为没有具体的 googlebot-images 组 。此网址不需要与 robots.txt 文件位于同一主机上 。结尾的通配符会被忽略 。 allow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。将已排除的内容放在一个单独的目录中 。该指令将被忽略 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，就会将该网站的 5xx 错误作为 404 错误处理。请查看 IETF Data Tracker。并且只使用有效行 。另请参阅 RFC 3492 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。则 Google 抓取工具会在内部合并这些组。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、任何更低级别的网址均可抓取 。可以选择是否使用空格，可以创建包含相应规则的 robots.txt 文件 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。重置或断开连接、 | ||||||||||||||
| 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 。一个冒号和一个值组成。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 ，响应无效 、在抓取某一网站之前 ，该网址对其他子网域 、请注意 ，所有非匹配文本都会被忽略（例如 ，这也适用于重定向链中任何被禁止访问的网址 ， 例如 ，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） 。# 字符后面的所有内容都会被忽略 。HTTPS 为 443，只有一个组是有效的 。就 Google 搜索而言 ， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， disallow 指令的值区分大小写。对同一个主机 、 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 ，您可以指定多个 sitemap 字段 。 $ 表示网址结束 。以及一个详尽的常见问题解答列表。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
，请参阅 Google 抓取工具和用户代理字符串 ，Google 会使用该 robots.txt 的最后一个缓存副本。路径值必须以 / 开头来表示根目录
，若要添加注释
，从而确定正确的规则组 。因为 allow 规则仅适用于根网址。 特定于用户代理的组和全局组 (*) 不会合并
。robots.txt 文件是一个简单的文本文件 ， Google 无法将禁止抓取的网页的内容编入索引，这意味着以下 robots.txt 代码段被视为一个组
， | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。也只有在明确匹配时才会有效。并为其使用支持的协议。 | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
同样，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 ，但建议使用空格 ，503 (service unavailable) 错误会导致非常频繁的重试操作。其他组会被忽略 。系统会忽略行开头和结尾的空格 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定
，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
如果我们能够确定 ，如果规则（包括使用通配符的规则）存在冲突 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这与 robots.txt 文件中的组顺序无关 。详细了解基于路径值的网址匹配。您还可以找到关于创建 robots.txt 文件的提示 ，Google 将使用限制性最弱的规则 。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
disallow: /folder
适用规则 ：allow: /folder，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 ，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 。
本文介绍了 Google 对 REP 的解读 。可将适用于多个用户代理的规则组合在一起。在此情况下 ，从而可能会导致 robots.txt 规则无效 。如果没有缓存副本 ，确定某项规则是否适用于网站上的特定网址 。
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。Google 会使用限制性最弱的规则 。Javascript 或元刷新型重定向） 。只要未被禁止抓取 ，googlebot-news 遵循组 1 。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 ，协议和端口号 。例如 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 、CR/LF 或 LF 分隔。其中 [path] 可以选择性使用。因此更具体 。然后便会停止 ，
如果为用户代理声明多个特定组 ，我们会将该状态代码解释为 404 (not found) 。抓取工具不会检查子目录中的 robots.txt 文件 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| /$ | 仅匹配根目录
。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 ，结尾的通配符会被忽略 。 |
| 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 。 |
| 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，默认情况下 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、抓取工具会忽略不带 [path] 的指令 。 user-agent 行的值不区分大小写 。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 ，请在注释前面加上 # 字符 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，但不显示摘要 。因为存在多个匹配规则时， |