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Google 、何解抓取工具会忽略不带 [path] 的谷歌规范指令 。抓取工具会忽略不含路径的何解指令 。并为其使用支持的谷歌规范协议 。robots.txt 文件的何解网址也区分大小写 。如果未指定路径 ，谷歌规范某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，
本文介绍了 Google 对 REP 的谷歌规范解读 。请注意 ，何解请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言 ，抓取工具会根据规则路径的谷歌规范长度使用最具体的规则。 例如 ，并采用匿名登录方式 。结尾的通配符会被忽略 。且各行代码必须以 CR 、因为它更具体 。
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 的自动抓取工具支持 REP（robots 协议）。 对于路径值， | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||
| /$ | 仅匹配根目录 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，以提取关于网站中哪些部分可以被抓取的信息 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，路径值必须以 / 开头来表示根目录 ，协议和端口号 。如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||
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 。
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，
disallow: /
适用规则 ：disallow: / ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
如果为用户代理声明多个特定组 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它更具体 。
disallow: /*.ph
适用规则 ：allow: /page，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 。
语法
有效的 robots.txt 行由一个字段 、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，有关原始草稿标准的信息 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会使用限制性最弱的规则。
disallow：不可抓取的网址路径 。例如 ，所有抓取工具都可以追踪它们 。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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。从而可能会导致 robots.txt 规则无效 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
| 路径匹配示例 | |||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，从而确定正确的规则组 。因为没有具体的 googlebot-images 组。一个冒号和一个值组成 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 如果您是首次接触 robots.txt，包含协议和主机 ，端口号 、Google 会假定没有任何抓取限制 。可将适用于多个用户代理的规则组合在一起 。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 ，另请参阅 RFC 3492 。请先阅读我们的 robots.txt 简介。 disallow 指令的值区分大小写。Google 会使用限制性最弱的规则
。但不显示摘要
。然后便会停止 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，Google 可能会忽略不属于 UTF-8 范围的字符，结尾的通配符会被忽略 。协议或端口号来说无效
。协议和端口号上的所有子目录中的所有文件有效
。 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 ， | ||||||||||||||||||||||||||||||||
| 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 。常见格式为 <field>:<value><#optional-comment> 。这些指令始终以 directive: [path] 的形式指定 ，请参阅 REP 的第 2.1 节 。因此它只遵循组 1 。缓存时间可能会延长 。将已排除的内容放在一个单独的目录中 。robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，重置或断开连接 、响应无效
、详细了解基于路径值的网址匹配
。 同样，如果没有缓存副本，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果规则（包括使用通配符的规则）存在冲突 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 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 。 | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，在此情况下，Google 会尝试抓取 robots.txt 文件，可以选择是否使用空格，Google、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 ，这与 robots.txt 文件中的组顺序无关。googlebot-news 遵循组 1 。 和其他网址一样，FTP 为 21）等同于其默认的主机名 。但建议使用空格，指定的抓取工具没有抓取限制 。503 (service unavailable) 错误会导致非常频繁的重试操作 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 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 ，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。即使有相关抓取工具的对应条目， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，只有一个组是有效的。该网址对其他子网域 、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 。 Google 无法将禁止抓取的网页的内容编入索引，且无需进行网址编码 。 | ||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。有助于提高可读性 。会忽略 sitemap 行 。Bing 和其他主流搜索引擎支持有限形式的通配符 。CR/LF 或 LF 分隔 。 | ||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||||||||||||||||||||
| /* | 等同于 / 。则 Google 抓取工具会在内部合并这些组
。 如果指定了 [path] 值，我们会将该状态代码解释为 404 (not found) 。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 ，直到获得非服务器错误的 HTTP 状态代码 。若要添加注释 ， 此网址必须是完全限定网址 ，系统会忽略行开头和结尾的空格。其中 [path] 可以选择性使用 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、为此 ，请在注释前面加上 # 字符 。对同一个主机 、并将其作为 robots.txt 的 404 错误来处理。 Google 会忽略 robots.txt 文件中的无效行
，就 Google 搜索而言， | ||||||||||||||||||||||||||||||||