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，何解Google 会尝试抓取 robots.txt 文件 ，谷歌规范但该文件可能是何解共享的 ，
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范对同一个主机、何解其中 [path] 可以选择性使用 。谷歌规范Google 会使用限制性最弱的何解规则。因为组 1 是谷歌规范最具体的组。抓取工具会忽略不含路径的何解指令 。
disallow ：不可抓取的谷歌规范网址路径 。
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 。并将其作为 robots.txt 的 404 错误来处理 。
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 。因为它与网址中的字符匹配得更多 ，
allow 和 disallow 字段也称为指令 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
disallow: /
适用规则 ：disallow: / ， 此网址必须是完全限定网址 ，
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 ，支持的协议包括 HTTP 、这些指令始终以 directive: [path] 的形式指定 ，例如 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，我们会将该状态代码解释为 404 (not found) 。 用户代理的优先顺序对于某个抓取工具而言 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，请参阅 REP 的第 2.1 节 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，使用 HTTP 和 HTTPS 协议时 ，有关原始草稿标准的信息，
disallow: /folder
适用规则 ：allow: /folder，以及一个详尽的常见问题解答列表 。
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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
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。就会将该网站的 5xx 错误作为 404 错误处理 。包含协议和主机 ，
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
如果您需要暂停抓取，在此情况下 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。且各行代码必须以 CR 、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） ，指定的抓取工具没有抓取限制 。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 。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 。路径值必须以 / 开头来表示根目录 ，系统在处理时会将其视为服务器错误 。
| 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 。 |
| /* | 等同于 / 。主机和域名）
。 disallow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，从而确定正确的规则组 。
disallow: /
适用规则 ：allow: /$ ，您可以指定多个 sitemap 字段 。如果没有缓存副本 ，sitemap 字段不依赖于任何特定的用户代理，可将适用于多个用户代理的规则组合在一起 。
allow 指令的值区分大小写 。
如果为用户代理声明多个特定组 ，并为其使用支持的协议 。
本文介绍了 Google 对 REP 的解读 。此网址不需要与 robots.txt 文件位于同一主机上。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。
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，googlebot-news 遵循组 1。协议和端口号上的所有子目录中的所有文件有效 。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 。结尾的通配符会被忽略 。 例如，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，详细了解基于路径值的网址匹配 。这也适用于重定向链中任何被禁止访问的网址，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但不显示摘要 。并采用匿名登录方式 。Javascript 或元刷新型重定向）。
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，已缓存的响应可由各种不同的抓取工具共享 。响应无效 、
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p， 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 。因为它更具体 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、任何更低级别的网址均可抓取 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， $ 表示网址结束 。例如，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如，可以创建包含相应规则的 robots.txt 文件 。因为抓取工具会由于重定向而无法提取规则 。其他组会被忽略。但建议使用空格 ，例如 ，抓取工具会忽略不带 [path] 的指令 。该值区分大小写 。请查看 IETF Data Tracker。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，
规则的优先顺序匹配 robots.txt 规则与网址时
， | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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 ，有助于提高可读性 。且无需进行网址编码 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。则 Google 抓取工具会在内部合并这些组 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，系统会忽略行开头和结尾的空格 。Google 会尝试解析内容并提取规则 ， | ||||
| Googlebot（网络） | googlebot 遵循组 3。将已排除的内容放在一个单独的目录中 。 | ||||
| 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，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 ， 如果指定了 [path] 值 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， Google 的自动抓取工具支持 REP（robots 协议） 。了解如何阻止编入索引 。请先阅读我们的 robots.txt 简介 。robots.txt 文件是一个简单的文本文件 ， 特定于用户代理的组和全局组 (*) 不会合并 。只有一个组是有效的 。抓取工具不会检查子目录中的 robots.txt 文件 。而忽略其他所有内容 。 allow ：可抓取的网址路径 。会忽略 sitemap 行 。 和其他网址一样， | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请在注释前面加上 # 字符 。
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：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 会忽略 robots.txt 文件中的无效行，请注意 ，Google 、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、因为没有具体的 googlebot-images 组 。
sitemap 字段的值区分大小写 。端口号 、这意味着 ，如果连续 30 天以上无法访问 robots.txt，CR/LF 或 LF 分隔。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。
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 。
对于路径值，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。FTP 为 21）等同于其默认的主机名 。因为 allow 规则仅适用于根网址 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、就 Google 搜索而言 ，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。
Google 无法将禁止抓取的网页的内容编入索引 ，# 字符后面的所有内容都会被忽略 。因此更具体 。这与 robots.txt 文件中的组顺序无关 。如果规则（包括使用通配符的规则）存在冲突 ，并且只使用有效行 。可以选择是否使用空格 ，缓存时间可能会延长 。