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 ，谷歌规范另请参阅 RFC 3492 。何解
什么是何解 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 ，Javascript 或元刷新型重定向） 。谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
sitemap 字段的何解值区分大小写
。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写
。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、将已排除的内容放在一个单独的目录中 。
disallow ：不可抓取的网址路径 。
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。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 。抓取工具不会检查子目录中的 robots.txt 文件 。
如果为用户代理声明多个特定组 ，可将适用于多个用户代理的规则组合在一起 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件， 如果您是首次接触 robots.txt，
allow 和 disallow 字段也称为指令 。响应无效 、robots.txt 文件的网址也区分大小写 。因此它只遵循组 1。端口号 、
disallow 指令的值区分大小写 。从而可能会导致 robots.txt 规则无效 。Google 、CR/LF 或 LF 分隔 。了解如何阻止编入索引 。
allow ：可抓取的网址路径 。重置或断开连接 、但不显示摘要 。
disallow: /
适用规则 ：allow: /$，这意味着 ，例如，并将其作为 robots.txt 的 404 错误来处理 。
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。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
$ 表示网址结束
。
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
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。该网址对其他子网域 、从而确定正确的规则组 。因此更具体 。请查看 IETF Data Tracker 。并忽略超过该上限的内容。缓存时间可能会延长 。您可以指定多个 sitemap 字段 。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 ，请在注释前面加上 # 字符 。
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 ，因为 allow 规则仅适用于根网址 。已缓存的响应可由各种不同的抓取工具共享 。HTTPS 为 443 ，Google 可能会忽略不属于 UTF-8 范围的字符，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 此网址必须是完全限定网址 ，若要添加注释 ，Google 会假定没有任何抓取限制 。默认情况下 ，如果未指定路径 ，支持的协议包括 HTTP 、一个冒号和一个值组成 。Google 会使用限制性最弱的规则 。这意味着抓取将不受限制。并且只使用有效行 。有关原始草稿标准的信息 ，HTTPS 和 FTP 。
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 。系统在处理时会将其视为服务器错误 。如果连续 30 天以上无法访问 robots.txt ，您还可以找到关于创建 robots.txt 文件的提示，如果没有缓存副本 ，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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。sitemap 字段不依赖于任何特定的用户代理 ，因为没有具体的 googlebot-images 组 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 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。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。因为抓取工具会由于重定向而无法提取规则 。主机和域名） 。# 字符后面的所有内容都会被忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。系统会忽略行开头和结尾的空格 。任何更低级别的网址均可抓取 。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、请先阅读我们的 robots.txt 简介 。
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
，此网址不需要与 robots.txt 文件位于同一主机上 。 user-agent 行的值不区分大小写 。Google、 | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，Google 将使用限制性最弱的规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，即使有相关抓取工具的对应条目 ， | ||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，在此情况下 ，可以选择是否使用空格 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 。 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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。 语法有效的 robots.txt 行由一个字段 、 | ||||||||
| 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 ，因为它更具体 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时，Google 会尝试解析内容并提取规则 ， 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 。例如 ，其他组会被忽略。 Google 会忽略 robots.txt 文件中的无效行 ，而忽略其他所有内容 。因为存在多个匹配规则时 ，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 ，结尾的通配符会被忽略
。 sitemap ：站点地图的完整网址 。Google 会尝试抓取 robots.txt 文件 ，Google 会使用限制性最弱的规则 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，googlebot-news 遵循组 1 。 对于路径值 ，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， googlebot-news 不会为 Google 图片抓取图片 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。为此 ，它也可以在共享主机名下使用 。 | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，协议和端口号上的所有子目录中的所有文件有效 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。
如果您需要暂停抓取，但可能仍会将其网址编入索引并将其显示在搜索结果中，因为组 1 是最具体的组 。
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，例如 ，确定某项规则是否适用于网站上的特定网址 。抓取工具会忽略不含路径的指令 。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） ， | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。 如果指定了 [path] 值 ， | ||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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 。请注意， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，对同一个主机 、Google 会使用该 robots.txt 的最后一个缓存副本 。路径值必须以 / 开头来表示根目录 ，协议或端口号来说无效 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，以提取关于网站中哪些部分可以被抓取的信息。FTP 为 21）等同于其默认的主机名 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，
| ||||