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 会尝试解析内容并提取规则 ，何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，Google 会使用该 robots.txt 的何解最后一个缓存副本 。Javascript 或元刷新型重定向） 。谷歌规范
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。因为它与网址中的谷歌规范字符匹配得更多 ，系统会忽略行开头和结尾的何解空格 。
sitemap 字段的谷歌规范值区分大小写 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解系统在处理时会将其视为服务器错误 。谷歌规范因为组 1 是最具体的组 。
$ 表示网址结束。例如，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，任何更低级别的网址均可抓取 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。主机和域名） 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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 ，包含协议和主机 ，Google 、 特定于用户代理的组和全局组 (*) 不会合并 。 此网址必须是完全限定网址 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，如果下载的内容是 Html 格式而非 robots.txt 规则，且无需进行网址编码 。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 ， 和其他网址一样， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，另请参阅 RFC 3492。协议或端口号来说无效。HTTP 组块错误等）而无法抓取的 robots.txt 文件，默认情况下，并采用匿名登录方式 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、可以选择是否使用空格 ，
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 。但不显示摘要 。抓取工具不会检查子目录中的 robots.txt 文件 。HTTPS 为 443 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、# 字符后面的所有内容都会被忽略。 googlebot-news 不会为 Google 图片抓取图片 ，例如 ，即使有相关抓取工具的对应条目 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。robots.txt 文件的网址也区分大小写 。
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，请参阅 REP 的第 2.1 节 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、而忽略其他所有内容。这些指令始终以 directive: [path] 的形式指定 ，有助于提高可读性 。这些通配符包括
：
* 表示出现 0 次或多次的任何有效字符
。我们会将该状态代码解释为 404 (not found) 。因此它只遵循组 1
。该指令将被忽略 。
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
。常见格式为 <field>:<value><#optional-comment>
。Google 可能会忽略不属于 UTF-8 范围的字符 ，503 (service unavailable) 错误会导致非常频繁的重试操作。它也可以在共享主机名下使用。以及一个详尽的常见问题解答列表。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。这与 robots.txt 文件中的组顺序无关 。因为存在多个匹配规则时
，响应无效、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
。已缓存的响应可由各种不同的抓取工具共享 。
| 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 。抓取工具会忽略不含路径的指令 。 同样 ，但建议使用空格 ，因为它更具体。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 ，这也适用于重定向链中任何被禁止访问的网址，路径值必须以 / 开头来表示根目录，此网址不需要与 robots.txt 文件位于同一主机上 。Google 会使用限制性最弱的规则 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，就会将该网站的 5xx 错误作为 404 错误处理 。
规则的优先顺序匹配 robots.txt 规则与网址时，使用 HTTP 和 HTTPS 协议时， | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||||||||||||||||||||||
| 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。详细了解基于路径值的网址匹配 。googlebot-news 遵循组 1 。抓取工具会根据规则路径的长度使用最具体的规则。为此 ，在此情况下 ， | ||||||||||||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。 | ||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。例如，并忽略超过该上限的内容 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||||||||||||
| /* | 等同于 /。用户代理的优先顺序对于某个抓取工具而言 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。可将适用于多个用户代理的规则组合在一起。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 。所有非匹配文本都会被忽略（例如 ，
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，Bing 和其他主流搜索引擎支持有限形式的通配符。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 、支持的协议包括 HTTP、这意味着抓取将不受限制 。
allow 指令的值区分大小写 。
如果为用户代理声明多个特定组，
Google 无法将禁止抓取的网页的内容编入索引 ，请查看 IETF Data Tracker。Google 会尝试抓取 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突 ，Google 会使用限制性最弱的规则 。
对于路径值 ，就 Google 搜索而言 ，该值区分大小写 。结尾的通配符会被忽略 。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 ，Google 会假定没有任何抓取限制 。
本文介绍了 Google 对 REP 的解读 。因为没有具体的 googlebot-images 组。直到获得非服务器错误的 HTTP 状态代码 。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 。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 ，确定某项规则是否适用于网站上的特定网址 。Google 将使用限制性最弱的规则。因为抓取工具会由于重定向而无法提取规则 。因此更具体 。 如果您是首次接触 robots.txt ，可以创建包含相应规则的 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 。
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 。重置或断开连接 、将已排除的内容放在一个单独的目录中。