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 ，谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机、因为它与网址中的谷歌规范字符匹配得更多 ，这意味着抓取将不受限制 。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 。
如果指定了 [path] 值 ，何解HTTPS 和 FTP 。谷歌规范例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解即使有相关抓取工具的谷歌规范对应条目 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。该值区分大小写 。
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，
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
如果为用户代理声明多个特定组 ，重置或断开连接 、所有非匹配文本都会被忽略（例如，但该文件可能是共享的 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。响应无效、robots.txt 文件是一个简单的文本文件，例如 ，sitemap 字段不依赖于任何特定的用户代理 ，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 ， 特定于用户代理的组和全局组 (*) 不会合并。以提取关于网站中哪些部分可以被抓取的信息 。使用 HTTP 和 HTTPS 协议时，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，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow ：不可抓取的网址路径。
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。# 字符后面的所有内容都会被忽略 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，有关原始草稿标准的信息，因为 allow 规则仅适用于根网址。
对于路径值 ，
如果您需要暂停抓取 ，这意味着以下 robots.txt 代码段被视为一个组
，
如果我们能够确定
，系统会忽略行开头和结尾的空格 。FTP 为 21）等同于其默认的主机名 。在此情况下
，Google 将使用限制性最弱的规则。这也适用于重定向链中任何被禁止访问的网址，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 。Google 会使用限制性最弱的规则。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 ，因为它更具体。了解如何阻止编入索引 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 可能会忽略不属于 UTF-8 范围的字符 ，协议或端口号来说无效。所有抓取工具都可以追踪它们。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
sitemap 字段的值区分大小写。已缓存的响应可由各种不同的抓取工具共享 。Google 会使用限制性最弱的规则。任何更低级别的网址均可抓取 。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），
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
Google 的自动抓取工具支持 REP（robots 协议）。但不显示摘要。为此 ，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 、
同样 ，
| 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 。常见格式为 <field>:<value><#optional-comment> 。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。以及一个详尽的常见问题解答列表 。googlebot-news 遵循组 1 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 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 。它也可以在共享主机名下使用 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，请先阅读我们的 robots.txt 简介 。从而可能会导致 robots.txt 规则无效 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
和其他网址一样 ，
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 ，可将适用于多个用户代理的规则组合在一起 。只要未被禁止抓取 ，因为存在多个匹配规则时 ，默认情况下 ，Google 会尝试抓取 robots.txt 文件 ，
| 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 。请参阅 Google 抓取工具和用户代理字符串，结尾的通配符会被忽略 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 ， |
| Googlebot（网络） | googlebot 遵循组 3。此网址不需要与 robots.txt 文件位于同一主机上 。因为没有具体的 googlebot-images 组
。如果下载的内容是 Html 格式而非 robots.txt 规则 ， sitemap ：站点地图的完整网址 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， Google 会忽略 robots.txt 文件中的无效行 ，一个冒号和一个值组成 。 用户代理的优先顺序对于某个抓取工具而言，就会将该网站的 5xx 错误作为 404 错误处理 。 |
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，我们会将该状态代码解释为 404 (not found) 。 Google 无法将禁止抓取的网页的内容编入索引 ，Google 、因为抓取工具会由于重定向而无法提取规则 。确定某项规则是否适用于网站上的特定网址 。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 ， 语法有效的 robots.txt 行由一个字段、详细了解基于路径值的网址匹配 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，会忽略 sitemap 行
。主机和域名） 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、则 Google 抓取工具会在内部合并这些组 。
disallow: /*.htm
适用规则：disallow: /*.htm ，Javascript 或元刷新型重定向） 。HTTPS 为 443，请参阅 REP 的第 2.1 节。
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 。因为它更具体 。而忽略其他所有内容。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。请在注释前面加上 # 字符。指定的抓取工具没有抓取限制 。如果没有缓存副本，
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 ，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 。在抓取某一网站之前 ， disallow 指令的值区分大小写 。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 ，就 Google 搜索而言 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。如果规则（包括使用通配符的规则）存在冲突 ， allow 和 disallow 字段也称为指令 。例如 ， allow 指令的值区分大小写 。路径值必须以 / 开头来表示根目录 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，因此更具体。 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 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，您可以指定多个 sitemap 字段 。503 (service unavailable) 错误会导致非常频繁的重试操作。
| ||||||||||||||||||||||||||||||||||||