user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范会忽略 sitemap 行 。何解默认情况下 ，谷歌规范即使有相关抓取工具的何解对应条目 ，它也可以在共享主机名下使用 。谷歌规范
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效。
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 ，谷歌规范因为它与网址中的何解字符匹配得更多 ，
disallow: /folder
适用规则 ：allow: /folder ，谷歌规范结尾的何解通配符会被忽略 。 如果您是谷歌规范首次接触 robots.txt ，就会将该网站的何解 5xx 错误作为 404 错误处理 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范缓存时间可能会延长 。何解因为 allow 规则仅适用于根网址。谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
不适用于 ： http://example.com/
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 。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。若要添加注释 ，而忽略其他所有内容 。请参阅 Google 抓取工具和用户代理字符串 ，
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 。包含协议和主机 ，可以选择是否使用空格 ，CR/LF 或 LF 分隔 。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 ，以及一个详尽的常见问题解答列表 。因为抓取工具会由于重定向而无法提取规则 。常见格式为 <field>:<value><#optional-comment> 。
disallow ：不可抓取的网址路径 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow 指令的值区分大小写 。Google 、Google 会尝试抓取 robots.txt 文件 ，因此更具体 。
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 。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 ，
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，robots.txt 文件是一个简单的文本文件 ，此网址不需要与 robots.txt 文件位于同一主机上 。
对于路径值 ，使用 HTTP 和 HTTPS 协议时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。已缓存的响应可由各种不同的抓取工具共享 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，为此 ，
和其他网址一样
，有关原始草稿标准的信息，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，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 。在抓取某一网站之前，HTTP 组块错误等）而无法抓取的 robots.txt 文件
，主机和域名） 。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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。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 ，
本文介绍了 Google 对 REP 的解读。只有一个组是有效的 。路径值必须以 / 开头来表示根目录 ，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，
Google 会忽略 robots.txt 文件中的无效行 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
allow 和 disallow 字段也称为指令。
sitemap：站点地图的完整网址 。
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 。所有非匹配文本都会被忽略（例如 ，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 ，
同样 ，但不显示摘要。因此它只遵循组 1 。
用户代理的优先顺序
对于某个抓取工具而言 ，请先阅读我们的 robots.txt 简介 。Google 、因为存在多个匹配规则时 ，支持的协议包括 HTTP、
| 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
。这也适用于重定向链中任何被禁止访问的网址 ， 特定于用户代理的组和全局组 (*) 不会合并 。因为它更具体
。如果没有缓存副本，并为其使用支持的协议。该网址对其他子网域
、 如果指定了 [path] 值 ，Google 会使用限制性最弱的规则 。了解如何阻止编入索引 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 |
| Googlebot（网络） | googlebot 遵循组 3 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。HTTPS 和 FTP。Google 会假定没有任何抓取限制 。 allow ：可抓取的网址路径
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、503 (service unavailable) 错误会导致非常频繁的重试操作 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。协议和端口号上的所有子目录中的所有文件有效 。
$ 表示网址结束。并将其作为 robots.txt 的 404 错误来处理 。如果未指定路径，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 。一个冒号和一个值组成 。但可能仍会将其网址编入索引并将其显示在搜索结果中，有助于提高可读性 。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） ，
如果为用户代理声明多个特定组 ，sitemap 字段不依赖于任何特定的用户代理 ， googlebot-news 不会为 Google 图片抓取图片 ，抓取工具不会检查子目录中的 robots.txt 文件 。因为它更具体 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如
，googlebot/1.2 和 googlebot* 均等同于 googlebot）。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 ，
如果我们能够确定 ， 此网址必须是完全限定网址 ，可以创建包含相应规则的 robots.txt 文件 。Javascript 或元刷新型重定向）
。只要未被禁止抓取
，
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。抓取工具会忽略不带 [path] 的指令 。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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，详细了解基于路径值的网址匹配。Google 可能会忽略不属于 UTF-8 范围的字符 ，端口号 、
Google 的自动抓取工具支持 REP（robots 协议） 。因为没有具体的 googlebot-images 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 。确定某项规则是否适用于网站上的特定网址 。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。
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。如果连续 30 天以上无法访问 robots.txt ，
user-agent 行的值不区分大小写 。该指令将被忽略。在此情况下 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、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 ，
如果您需要暂停抓取 ，指定的抓取工具没有抓取限制 。Google 将使用限制性最弱的规则 。robots.txt 文件的网址也区分大小写。Google 会使用该 robots.txt 的最后一个缓存副本 。
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 ， Google 无法将禁止抓取的网页的内容编入索引 ， Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。但该文件可能是共享的，以提取关于网站中哪些部分可以被抓取的信息。例如 ，就 Google 搜索而言 ，直到获得非服务器错误的 HTTP 状态代码
。我们会将该状态代码解释为 404 (not found)
。例如
， | ||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。HTTPS 为 443 ，FTP 为 21）等同于其默认的主机名 。googlebot-news 遵循组 1 。 | ||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。对同一个主机 、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 、且无需进行网址编码 。 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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，您还可以找到关于创建 robots.txt 文件的提示 ，并忽略超过该上限的内容 。 | ||||||||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，协议和端口号 。
| ||||||||||||||||||||||||||||||