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 ，谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令，何解
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范
sitemap ：站点地图的何解完整网址 。
disallow: /
适用规则：disallow: / ，谷歌规范例如 ，何解
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。因为存在多个匹配规则时 ，谷歌规范它也可以在共享主机名下使用 。该网址对其他子网域 、 特定于用户代理的组和全局组 (*) 不会合并 。 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
。详细了解基于路径值的网址匹配
。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，因为抓取工具会由于重定向而无法提取规则 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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） ，Google 会尝试解析内容并提取规则 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为组 1 是最具体的组 。 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 。 如果为用户代理声明多个特定组，且无需进行网址编码 。如果未指定路径 ，因为 allow 规则仅适用于根网址。Google 、 $ 表示网址结束 。 | ||||||||||||||||||||||||||||
| 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。然后便会停止 ，所有抓取工具都可以追踪它们 。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 。该指令将被忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。因此更具体 。 | ||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，因为它与网址中的字符匹配得更多 ，
规则的优先顺序匹配 robots.txt 规则与网址时， 同样，FTP 为 21）等同于其默认的主机名。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 无法将禁止抓取的网页的内容编入索引 ，这些通配符包括 ： * 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，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，为此，抓取工具会忽略不带 [path] 的指令
。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但不显示摘要 。 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。确定某项规则是否适用于网站上的特定网址 。例如 ， | ||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，其他组会被忽略 。 Google 会忽略 robots.txt 文件中的无效行 ，Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，并采用匿名登录方式
。只有一个组是有效的 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，有助于提高可读性 。但建议使用空格，即使有相关抓取工具的对应条目 ， disallow ：不可抓取的网址路径 。您可以指定多个 sitemap 字段 。但该文件可能是共享的 ， Google 的自动抓取工具支持 REP（robots 协议） 。只要未被禁止抓取， sitemap 字段的值区分大小写 。HTTPS 为 443，则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。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 。使用 HTTP 和 HTTPS 协议时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||||||||||||||
| 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 。而忽略其他所有内容 。若要添加注释 ，并将其作为 robots.txt 的 404 错误来处理。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 。Google 会假定没有任何抓取限制。 | ||||||||||||||||||||||||||||
| /* | 等同于 / 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Bing 和其他主流搜索引擎支持有限形式的通配符。从而确定正确的规则组 。默认情况下 ，sitemap 字段不依赖于任何特定的用户代理 ，缓存时间可能会延长。 本文介绍了 Google 对 REP 的解读 。这意味着 ，您还可以找到关于创建 robots.txt 文件的提示 ，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， | ||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，系统在处理时会将其视为服务器错误。googlebot-news 遵循组 1 。例如 ，这也适用于重定向链中任何被禁止访问的网址 ，常见格式为 <field>:<value><#optional-comment> 。协议和端口号
。有关原始草稿标准的信息
，一个冒号和一个值组成。如果 robots.txt 文件的字符编码不是 UTF-8 ， googlebot-news 不会为 Google 图片抓取图片 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、结尾的通配符会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。这意味着以下 robots.txt 代码段被视为一个组 ，就会将该网站的 5xx 错误作为 404 错误处理 。并且只使用有效行 。抓取工具不会检查子目录中的 robots.txt 文件。这与 robots.txt 文件中的组顺序无关 。
user-agent 行的值不区分大小写。此网址不需要与 robots.txt 文件位于同一主机上 。Google 会尝试抓取 robots.txt 文件，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
如果我们能够确定 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
对于路径值 ，
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 ，从而可能会导致 robots.txt 规则无效 。协议和端口号上的所有子目录中的所有文件有效 。例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。我们会将该状态代码解释为 404 (not found) 。请先阅读我们的 robots.txt 简介
。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）
。请查看 IETF Data Tracker 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，所有非匹配文本都会被忽略（例如 ，因此它只遵循组 1。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 allow 指令的值区分大小写 。因为它更具体。 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 。 | ||||
| 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 。 语法有效的 robots.txt 行由一个字段 、这些指令始终以 directive: [path] 的形式指定 ，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，HTTPS 和 FTP 。以提取关于网站中哪些部分可以被抓取的信息 。抓取工具会根据规则路径的长度使用最具体的规则 。 allow 和 disallow 字段也称为指令 。 | ||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| ||||