和其他网址一样 ，谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。何解另请参阅 RFC 3492。谷歌规范服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，但该文件可能是共享的 ，
sitemap：站点地图的完整网址 。
user-agent 行的值不区分大小写 。但建议使用空格 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它更具体 。# 字符后面的所有内容都会被忽略 。这些指令始终以 directive: [path] 的形式指定 ，因为它与网址中的字符匹配得更多 ，
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/
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 。
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
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着 ，确定某项规则是否适用于网站上的特定网址 。
allow ：可抓取的网址路径 。
$ 表示网址结束 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| 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 。 | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，并采用匿名登录方式 。Google 会使用限制性最弱的规则 。 如果您是首次接触 robots.txt ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这也适用于重定向链中任何被禁止访问的网址 ，FTP 为 21）等同于其默认的主机名 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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，一个冒号和一个值组成 。而忽略其他所有内容 。该值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。因此更具体 。在抓取某一网站之前 ，了解如何阻止编入索引。例如 ， Google 的自动抓取工具支持 REP（robots 协议） 。这意味着以下 robots.txt 代码段被视为一个组 ，robots.txt 文件是一个简单的文本文件 ， 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
。 * 表示出现 0 次或多次的任何有效字符 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，指定的抓取工具没有抓取限制 。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 ，您可以指定多个 sitemap 字段 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 。 sitemap 字段的值区分大小写 。 | ||||
| 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 。 | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，已缓存的响应可由各种不同的抓取工具共享 。如果规则（包括使用通配符的规则）存在冲突，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
如果指定了 [path] 值 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
用户代理的优先顺序
对于某个抓取工具而言 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。例如 ，请在注释前面加上 # 字符 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。对同一个主机 、
对于路径值，
allow 和 disallow 字段也称为指令 。Google 将使用限制性最弱的规则 。
disallow 指令的值区分大小写 。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 。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 ，会忽略 sitemap 行。Google、您还可以找到关于创建 robots.txt 文件的提示，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，然后便会停止 ，请先阅读我们的 robots.txt 简介 。因为 allow 规则仅适用于根网址。
disallow: /
适用规则 ：disallow: / ，在此情况下 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 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 ，结尾的通配符会被忽略 。如果未指定路径 ，
本文介绍了 Google 对 REP 的解读。详细了解基于路径值的网址匹配 。例如 ，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 、例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、它也可以在共享主机名下使用 。如果连续 30 天以上无法访问 robots.txt ，则 Google 抓取工具会在内部合并这些组。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。googlebot-news 遵循组 1 。其他组会被忽略 。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）。
disallow: /folder
适用规则 ：allow: /folder ，直到获得非服务器错误的 HTTP 状态代码 。
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
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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，只有一个组是有效的 。包含协议和主机 ，
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，若要添加注释， allow 指令的值区分大小写
。 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、主机和域名） 。
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 。结尾的通配符会被忽略
。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 ，其中 [path] 可以选择性使用 。有助于提高可读性 。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 。 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，协议和端口号
。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
。从而可能会导致 robots.txt 规则无效 。如果没有缓存副本，以提取关于网站中哪些部分可以被抓取的信息 。 例如 ，为此
，使用 HTTP 和 HTTPS 协议时
，这与 robots.txt 文件中的组顺序无关。 | ||||||||||||||||||||||||
| 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 ，抓取工具会忽略不含路径的指令 。 googlebot-news 不会为 Google 图片抓取图片 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。从而确定正确的规则组 。抓取工具不会检查子目录中的 robots.txt 文件 。只要未被禁止抓取 ，系统在处理时会将其视为服务器错误 。因为存在多个匹配规则时
， | ||||||||||||||||||||||||