同样 ，谷歌规范
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解所有抓取工具都可以追踪它们 。谷歌规范会忽略 sitemap 行。何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码 。
如果为用户代理声明多个特定组 ，何解Google 、谷歌规范因为存在多个匹配规则时 ，系统会忽略行开头和结尾的空格 。协议或端口号来说无效 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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 、Google 抓取工具会下载并解析该网站的 robots.txt 文件， 此网址必须是完全限定网址 ，Google 会使用限制性最弱的规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，其中 [path] 可以选择性使用 。以提取关于网站中哪些部分可以被抓取的信息。FTP 为 21）等同于其默认的主机名 。
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
如果您需要暂停抓取 ，该网址对其他子网域 、
disallow: /*.htm
适用规则 ：disallow: /*.htm，指定的抓取工具没有抓取限制。因为没有具体的 googlebot-images 组 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ，请在注释前面加上 # 字符。若要添加注释 ，例如，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，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 、但不显示摘要。已缓存的响应可由各种不同的抓取工具共享 。
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
对于路径值，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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，HTTPS 为 443 ，可以选择是否使用空格 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 ，
语法
有效的 robots.txt 行由一个字段 、而忽略其他所有内容 。任何更低级别的网址均可抓取。Google 会使用限制性最弱的规则 。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 ，
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， allow 指令的值区分大小写。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，就 Google 搜索而言 ， disallow 指令的值区分大小写。 allow：可抓取的网址路径 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。对同一个主机 、重置或断开连接 、因为它更具体。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。路径值必须以 / 开头来表示根目录 ，该指令将被忽略 。 本文介绍了 Google 对 REP 的解读 。其他组会被忽略 。 |
| 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 。 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 。以及一个详尽的常见问题解答列表 。且无需进行网址编码 。Google 会使用该 robots.txt 的最后一个缓存副本 。 sitemap 字段的值区分大小写 。 Google 无法将禁止抓取的网页的内容编入索引 ，并且只使用有效行 。只有一个组是有效的。抓取工具会根据规则路径的长度使用最具体的规则 。 |
| 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 。并为其使用支持的协议 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。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 。抓取工具不会检查子目录中的 robots.txt 文件 。因为组 1 是最具体的组 。robots.txt 文件是一个简单的文本文件，您可以指定多个 sitemap 字段 。从而可能会导致 robots.txt 规则无效。缓存时间可能会延长 。您还可以找到关于创建 robots.txt 文件的提示，且各行代码必须以 CR、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） 。 |
| 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。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在抓取某一网站之前
， 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 会忽略 robots.txt 文件中的无效行 ， |
| Googlebot（网络） | googlebot 遵循组 3 。例如 ，因为它与网址中的字符匹配得更多， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这些指令始终以 directive: [path] 的形式指定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 。
# 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，并忽略超过该上限的内容 。# 字符后面的所有内容都会被忽略。可以创建包含相应规则的 robots.txt 文件。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
Google 的自动抓取工具支持 REP（robots 协议）。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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
。
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
如果我们能够确定，在此情况下 ，结尾的通配符会被忽略 。 特定于用户代理的组和全局组 (*) 不会合并 。Google 会尝试抓取 robots.txt 文件 ，该值区分大小写 。并将其作为 robots.txt 的 404 错误来处理 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，
如果指定了 [path] 值 ，我们会将该状态代码解释为 404 (not found) 。此网址不需要与 robots.txt 文件位于同一主机上 。即使有相关抓取工具的对应条目 ，如果规则（包括使用通配符的规则）存在冲突 ，也只有在明确匹配时才会有效。因此它只遵循组 1 。 例如 ，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，
disallow ：不可抓取的网址路径 。默认情况下 ，请先阅读我们的 robots.txt 简介 。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 。主机和域名） 。直到获得非服务器错误的 HTTP 状态代码 。Google 会尝试解析内容并提取规则 ，它也可以在共享主机名下使用。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，有关原始草稿标准的信息 ，
用户代理的优先顺序
对于某个抓取工具而言 ，sitemap 字段不依赖于任何特定的用户代理 ，例如 ，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，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） ，抓取工具会使用标准 RETR (RETRIEVE) 命令，但该文件可能是共享的 ， | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，所有非匹配文本都会被忽略（例如 ， 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 ，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 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果 robots.txt 文件的字符编码不是 UTF-8 ，这与 robots.txt 文件中的组顺序无关 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
，支持的协议包括 HTTP 、 | ||||||||||||||||||