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 ，谷歌规范然后便会停止 ，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，一个冒号和一个值组成 。何解但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，
disallow ：不可抓取的何解网址路径 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。建议为网站上的何解每个网址提供 503 HTTP 状态代码 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范抓取工具不会检查子目录中的何解 robots.txt 文件 。主机和域名） 。谷歌规范而忽略其他所有内容 。何解
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、
用户代理的何解优先顺序
对于某个抓取工具而言 ，例如
，谷歌规范googlebot-news 遵循组 1
。结尾的通配符会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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。
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 。请先阅读我们的 robots.txt 简介 。
$ 表示网址结束 。 如果您是首次接触 robots.txt ，对同一个主机 、Javascript 或元刷新型重定向）。
sitemap 字段的值区分大小写。可将适用于多个用户代理的规则组合在一起 。
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 。
本文介绍了 Google 对 REP 的解读 。只有一个组是有效的 。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 ，从而确定正确的规则组 。
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
| 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 。我们会将该状态代码解释为 404 (not found) 。支持的协议包括 HTTP 、 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 。有助于提高可读性 。该值区分大小写 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这些指令始终以 directive: [path] 的形式指定 ，例如 ， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。系统在处理时会将其视为服务器错误 。 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 ，确定某项规则是否适用于网站上的特定网址 。如果连续 30 天以上无法访问 robots.txt ， sitemap ：站点地图的完整网址 。该指令将被忽略 。这也适用于重定向链中任何被禁止访问的网址 ，系统会忽略行开头和结尾的空格 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这与 robots.txt 文件中的组顺序无关。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，在抓取某一网站之前 ， |
| /fish* | 等同于 /fish 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果没有缓存副本 ，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 ，
同样，
如果指定了 [path] 值 ，
如果我们能够确定 ，常见格式为 <field>:<value><#optional-comment> 。Google 会尝试抓取 robots.txt 文件 ，在此情况下，如果 robots.txt 文件的字符编码不是 UTF-8
，从而可能会导致 robots.txt 规则无效 。
如果您需要暂停抓取 ，会忽略 sitemap 行
。可以创建包含相应规则的 robots.txt 文件 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，Google 会假定没有任何抓取限制 。
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，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），请参阅 Google 抓取工具和用户代理字符串 ，其他组会被忽略 。
和其他网址一样 ，即使有相关抓取工具的对应条目 ，
allow：可抓取的网址路径 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。HTTPS 为 443，sitemap 字段不依赖于任何特定的用户代理，包含协议和主机，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 此网址必须是完全限定网址 ，
对于路径值 ，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 ，其中 [path] 可以选择性使用 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这意味着抓取将不受限制 。抓取工具会忽略不带 [path] 的指令。则 Google 抓取工具会在内部合并这些组 。
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 。这意味着以下 robots.txt 代码段被视为一个组 ， 特定于用户代理的组和全局组 (*) 不会合并 。缓存时间可能会延长 。503 (service unavailable) 错误会导致非常频繁的重试操作 。请注意，任何更低级别的网址均可抓取 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。以提取关于网站中哪些部分可以被抓取的信息 。响应无效 、
如果为用户代理声明多个特定组 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。
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，此网址不需要与 robots.txt 文件位于同一主机上 。路径值必须以 / 开头来表示根目录 ，
disallow: /*.ph
适用规则：allow: /page ，
user-agent 行的值不区分大小写。因此更具体
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。因为它与网址中的字符匹配得更多 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。并且只使用有效行 。Google 会尝试解析内容并提取规则，
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 ，# 字符后面的所有内容都会被忽略 。直到获得非服务器错误的 HTTP 状态代码 。
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 。 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 。您可以指定多个 sitemap 字段 。若要添加注释 ，
| 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 。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，所有非匹配文本都会被忽略（例如 ，协议和端口号。就会将该网站的 5xx 错误作为 404 错误处理 。 Google 的自动抓取工具支持 REP（robots 协议） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 例如 ，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，它也可以在共享主机名下使用 。Google 、 | ||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||||||
| 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，结尾的通配符会被忽略 。Google 会使用限制性最弱的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。但建议使用空格 ，也只有在明确匹配时才会有效 。 | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。为此 ，因此它只遵循组 1 。 | ||||||||||||||||||||
| 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 。因为它更具体 。 allow 和 disallow 字段也称为指令 。 | ||||||||||||||||||||
| 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 。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||||
| /$ | 仅匹配根目录 。有关原始草稿标准的信息 ，使用 HTTP 和 HTTPS 协议时 ，因为没有具体的 googlebot-images 组
。协议和端口号上的所有子目录中的所有文件有效。请在注释前面加上 # 字符 。
disallow 指令的值区分大小写 。所有抓取工具都可以追踪它们 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。以及一个详尽的常见问题解答列表。FTP 为 21）等同于其默认的主机名。 googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，您还可以找到关于创建 robots.txt 文件的提示， 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 ：
| ||||||||||||||||||||