如果我们能够确定 ，谷歌规范并采用匿名登录方式 。何解请参阅 REP 的谷歌规范第 2.1 节 。HTTPS 为 443 ，何解将已排除的谷歌规范内容放在一个单独的目录中 。以提取关于网站中哪些部分可以被抓取的何解信息 。因为它与网址中的谷歌规范字符匹配得更多 ，例如，何解因为没有具体的谷歌规范 googlebot-images 组。
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何解规则组 ：
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 ，有助于提高可读性 。谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则，
语法
有效的谷歌规范 robots.txt 行由一个字段 、即使有相关抓取工具的对应条目 ，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 ，# 字符后面的所有内容都会被忽略。这些指令始终以 directive: [path] 的形式指定 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。并为其使用支持的协议 。
disallow: /*.htm
适用规则：disallow: /*.htm ，从而确定正确的规则组 。
allow 指令的值区分大小写 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| /* | 等同于 / 。 如果您需要暂停抓取 ， 本文介绍了 Google 对 REP 的解读。抓取工具不会检查子目录中的 robots.txt 文件。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ， |
| 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。googlebot-news 遵循组 1 。例如 ，请查看 IETF Data Tracker 。但可能仍会将其网址编入索引并将其显示在搜索结果中， Google 无法将禁止抓取的网页的内容编入索引 ，您还可以找到关于创建 robots.txt 文件的提示 ， 特定于用户代理的组和全局组 (*) 不会合并。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 行的值不区分大小写 。协议和端口号上的所有子目录中的所有文件有效 。 allow 和 disallow 字段也称为指令。这也适用于重定向链中任何被禁止访问的网址 ， Google 的自动抓取工具支持 REP（robots 协议）。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、协议和端口号 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。一个冒号和一个值组成 。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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。则 Google 抓取工具会在内部合并这些组 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，该指令将被忽略 。请参阅 Google 抓取工具和用户代理字符串 ，系统在处理时会将其视为服务器错误。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，如果连续 30 天以上无法访问 robots.txt ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，所有非匹配文本都会被忽略（例如
，在此情况下，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 ，这意味着 ， |
| /*.php$ | 匹配以 .php 结尾的任何路径
。 allow：可抓取的网址路径 。robots.txt 文件的网址也区分大小写 。结尾的通配符会被忽略 。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 。可以创建包含相应规则的 robots.txt 文件 。 |
| Googlebot Images | googlebot-images 遵循组 2 ， |
| 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 。robots.txt 文件是一个简单的文本文件，例如 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具
。但建议使用空格，CR/LF 或 LF 分隔
。 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 ，如果规则（包括使用通配符的规则）存在冲突 ，只要未被禁止抓取 ， 如果为用户代理声明多个特定组 ，另请参阅 RFC 3492 。sitemap 字段不依赖于任何特定的用户代理，如果没有缓存副本，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。请在注释前面加上 # 字符 。因为存在多个匹配规则时 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， 同样 ，有关原始草稿标准的信息 ，Google 会尝试抓取 robots.txt 文件 ， 如果指定了 [path] 值
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。该网址对其他子网域 、并且只使用有效行
。Javascript 或元刷新型重定向）。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，该值区分大小写。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，详细了解基于路径值的网址匹配 。
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 ，
$ 表示网址结束 。抓取工具会忽略不带 [path] 的指令 。此网址不需要与 robots.txt 文件位于同一主机上 。
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。而忽略其他所有内容。所有抓取工具都可以追踪它们。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，FTP 为 21）等同于其默认的主机名 。已缓存的响应可由各种不同的抓取工具共享 。端口号 、确定某项规则是否适用于网站上的特定网址 。
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 。Google 、Google 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 。因此更具体 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，HTTPS 和 FTP。它也可以在共享主机名下使用 。
sitemap 字段的值区分大小写 。为此 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。其中 [path] 可以选择性使用 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
| 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
。 disallow 指令的值区分大小写 。也只有在明确匹配时才会有效 。因为 allow 规则仅适用于根网址 。请先阅读我们的 robots.txt 简介 。常见格式为 <field>:<value><#optional-comment> 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，可以选择是否使用空格 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，
和其他网址一样，若要添加注释 ，缓存时间可能会延长 。Google 将使用限制性最弱的规则。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 。Google 会假定没有任何抓取限制。 例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码。
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 ，结尾的通配符会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。在抓取某一网站之前 ，
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 。
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 ，会忽略 sitemap 行。 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。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||
| /fish* | 等同于 /fish 。抓取工具会使用标准 RETR (RETRIEVE) 命令，支持的协议包括 HTTP、任何更低级别的网址均可抓取 。协议或端口号来说无效 。对同一个主机 、因此它只遵循组 1 。这意味着以下 robots.txt 代码段被视为一个组，这意味着抓取将不受限制 。了解如何阻止编入索引 。但不显示摘要 。 | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，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 ，直到获得非服务器错误的 HTTP 状态代码。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 。请注意 ，因为它更具体。可将适用于多个用户代理的规则组合在一起 。这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。因为组 1 是最具体的组。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、以及一个详尽的常见问题解答列表。Google 会尝试解析内容并提取规则 ， 如果您是首次接触 robots.txt ， | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， sitemap：站点地图的完整网址 。因为它更具体。
| ||||||||||||