user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。支持的何解协议包括 HTTP 、它也可以在共享主机名下使用 。谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解只要未被禁止抓取 ，谷歌规范
disallow: /folder
适用规则：allow: /folder ，谷歌规范
同样 ，何解
匹配项：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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。
disallow: /
适用规则 ：allow: /$ ，robots.txt 文件是一个简单的文本文件 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为它与网址中的字符匹配得更多，请参阅 Google 抓取工具和用户代理字符串 ，
本文介绍了 Google 对 REP 的解读 。
如果为用户代理声明多个特定组 ，
disallow: /*.ph
适用规则 ：allow: /page ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 此网址必须是完全限定网址 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。但建议使用空格，确定某项规则是否适用于网站上的特定网址 。
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 ，可以选择是否使用空格 ，
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 ，
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。请查看 IETF Data Tracker 。有关原始草稿标准的信息 ，而忽略其他所有内容 。因为它更具体 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，任何更低级别的网址均可抓取。以及一个详尽的常见问题解答列表 。
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 。即使有相关抓取工具的对应条目 ，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 、但不显示摘要 。Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 会使用该 robots.txt 的最后一个缓存副本 。且无需进行网址编码 。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。响应无效 、 如果您是首次接触 robots.txt，
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、直到获得非服务器错误的 HTTP 状态代码 。Google 会尝试抓取 robots.txt 文件，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为组 1 是最具体的组 。该值区分大小写。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
用户代理的优先顺序
对于某个抓取工具而言 ，
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，则 Google 抓取工具会在内部合并这些组 。这与 robots.txt 文件中的组顺序无关 。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 。
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。并将其作为 robots.txt 的 404 错误来处理 。路径值必须以 / 开头来表示根目录，因此它只遵循组 1
。并忽略超过该上限的内容 。Google 会假定没有任何抓取限制 。
allow 和 disallow 字段也称为指令 。
user-agent 行的值不区分大小写 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，该指令将被忽略 。
匹配项：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为存在多个匹配规则时 ，抓取工具会忽略不含路径的指令 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。您可以指定多个 sitemap 字段 。但该文件可能是共享的，如果下载的内容是 Html 格式而非 robots.txt 规则，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） ，因为存在多个匹配规则时 ，该网址对其他子网域、例如 ，因为 allow 规则仅适用于根网址 。# 字符后面的所有内容都会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为它更具体 。就 Google 搜索而言，Google 会尝试解析内容并提取规则 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
如果指定了 [path] 值 ，且各行代码必须以 CR 、抓取工具会忽略不带 [path] 的指令 。
| 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。 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。 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件， |
| 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 。就会将该网站的 5xx 错误作为 404 错误处理 。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 ，缓存时间可能会延长 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、结尾的通配符会被忽略。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 ，例如， |
| /fish | 匹配以 /fish 开头的任何路径 。例如 ，Google 、此网址不需要与 robots.txt 文件位于同一主机上 。如果连续 30 天以上无法访问 robots.txt ， |
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 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。 特定于用户代理的组和全局组 (*) 不会合并 。 sitemap ：站点地图的完整网址 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，常见格式为 <field>:<value><#optional-comment> 。您还可以找到关于创建 robots.txt 文件的提示，我们会将该状态代码解释为 404 (not found) 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，请参阅 REP 的第 2.1 节 。如果未指定路径 ，请在注释前面加上 # 字符 。若要添加注释 ，
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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，然后便会停止， | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， allow 指令的值区分大小写 。为此 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 和其他网址一样， 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 。
| ||||||||||||||||||||||||||