以下示例演示了 Google 抓取工具会对特定网址应用什么规则。谷歌规范因为组 1 是何解最具体的组。对同一个主机、谷歌规范
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。
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 ，在抓取某一网站之前 ，何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范
$ 表示网址结束 。何解
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
allow 和 disallow 字段也称为指令 。何解请注意 ，谷歌规范并且只使用有效行 。将已排除的内容放在一个单独的目录中 。可以选择是否使用空格，
| 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（网络） | googlebot 遵循组 3。 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。如果连续 30 天以上无法访问 robots.txt， Google 会忽略 robots.txt 文件中的无效行，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
、 |
| /*.php | 匹配包含 .php 的任何路径 。因为它更具体
。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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。如果 robots.txt 文件的字符编码不是 UTF-8， 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 ，且各行代码必须以 CR、系统在处理时会将其视为服务器错误 。因此更具体 。如果规则（包括使用通配符的规则）存在冲突 ，例如 ，重置或断开连接 、您可以指定多个 sitemap 字段。请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。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 。我们会将该状态代码解释为 404 (not found)。包含协议和主机 ， allow ：可抓取的网址路径 。但建议使用空格 ， allow 指令的值区分大小写 。并为其使用支持的协议 。例如，抓取工具会忽略不含路径的指令 。 例如 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Javascript 或元刷新型重定向） 。Google 会使用限制性最弱的规则。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
如果您需要暂停抓取 ，系统会忽略行开头和结尾的空格
。请在注释前面加上 # 字符 。协议和端口号上的所有子目录中的所有文件有效 。也只有在明确匹配时才会有效
。抓取工具不会检查子目录中的 robots.txt 文件 。例如
：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、 特定于用户代理的组和全局组 (*) 不会合并 。请参阅 Google 抓取工具和用户代理字符串 ，它也可以在共享主机名下使用。即使有相关抓取工具的对应条目 ，这意味着以下 robots.txt 代码段被视为一个组 ，但不显示摘要 。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 。# 字符后面的所有内容都会被忽略 。HTTPS 为 443 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，因为抓取工具会由于重定向而无法提取规则 。例如，为此 ，另请参阅 RFC 3492 。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 ，缓存时间可能会延长。
用户代理的优先顺序
对于某个抓取工具而言 ，
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
和其他网址一样 ，
disallow: /folder
适用规则 ：allow: /folder ，一个冒号和一个值组成 。
disallow: /*.ph
适用规则 ：allow: /page ，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
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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow: /
适用规则 ：disallow: / ，HTTPS 和 FTP 。但该文件可能是共享的 ，Google 会假定没有任何抓取限制 。请参阅 REP 的第 2.1 节 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 如果您是首次接触 robots.txt ，
user-agent 行的值不区分大小写。该指令将被忽略 。Google 会使用限制性最弱的规则 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，所有非匹配文本都会被忽略（例如 ，只要未被禁止抓取 ，这与 robots.txt 文件中的组顺序无关 。协议和端口号 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具会忽略不带 [path] 的指令 。因为它与网址中的字符匹配得更多 ，会忽略 sitemap 行 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，以及一个详尽的常见问题解答列表 。端口号 、
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。在此情况下 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这也适用于重定向链中任何被禁止访问的网址 ， googlebot-news 不会为 Google 图片抓取图片 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，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） 。
# 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 ，Google 、指定的抓取工具没有抓取限制。请先阅读我们的 robots.txt 简介 。
disallow 指令的值区分大小写。
disallow ：不可抓取的网址路径 。Google 会尝试解析内容并提取规则 ， 此网址必须是完全限定网址 ，因为它更具体 。这意味着抓取将不受限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。可以创建包含相应规则的 robots.txt 文件 。
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 。
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 ， | ||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，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、 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 ， 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 。这些指令始终以 directive: [path] 的形式指定 ， sitemap 字段的值区分大小写。 | ||||||||||||||||||||
| /$ | 仅匹配根目录。就 Google 搜索而言
，sitemap 字段不依赖于任何特定的用户代理 ， 如果我们能够确定 ，这意味着 ，如果没有缓存副本 ， 如果为用户代理声明多个特定组，且无需进行网址编码 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 将使用限制性最弱的规则。 对于路径值 ， 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。若要添加注释 ，直到获得非服务器错误的 HTTP 状态代码 。503 (service unavailable) 错误会导致非常频繁的重试操作。了解如何阻止编入索引 。然后便会停止 ，Google、因为存在多个匹配规则时，使用 HTTP 和 HTTPS 协议时，并采用匿名登录方式 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，robots.txt 文件的网址也区分大小写 。路径值必须以 / 开头来表示根目录，googlebot-news 遵循组 1。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。协议或端口号来说无效。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， | ||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ，
同样 ，
sitemap ：站点地图的完整网址 。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，您还可以找到关于创建 robots.txt 文件的提示，Bing 和其他主流搜索引擎支持有限形式的通配符。