user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范因为它与网址中的何解字符匹配得更多，对同一个主机 、谷歌规范请查看 IETF Data Tracker 。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。会忽略 sitemap 行。何解因为存在多个匹配规则时，谷歌规范例如 ，何解确定某项规则是谷歌规范否适用于网站上的特定网址。任何更低级别的何解网址均可抓取 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，支持的谷歌规范协议包括 HTTP 、
user-agent 行的何解值不区分大小写 。有关原始草稿标准的谷歌规范信息 ，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，Google、协议和端口号上的所有子目录中的所有文件有效 。
同样 ，因为它更具体 。Google 会假定没有任何抓取限制 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，并为其使用支持的协议 。所有非匹配文本都会被忽略（例如，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、结尾的通配符会被忽略 。
Google 的自动抓取工具支持 REP（robots 协议） 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，其中 [path] 可以选择性使用。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 ，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 。例如，在此情况下，该指令将被忽略 。请在注释前面加上 # 字符 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。使用 HTTP 和 HTTPS 协议时 ，您可以指定多个 sitemap 字段 。HTTPS 和 FTP 。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 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，有助于提高可读性 。一个冒号和一个值组成。所有抓取工具都可以追踪它们 。
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 。 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 。请参阅 Google 抓取工具和用户代理字符串 ，端口号、另请参阅 RFC 3492。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
disallow: /
适用规则：disallow: / ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。 $ 表示网址结束。因为抓取工具会由于重定向而无法提取规则 。从而可能会导致 robots.txt 规则无效 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 可能会忽略不属于 UTF-8 范围的字符 ， 如果为用户代理声明多个特定组 ，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），如果连续 30 天以上无法访问 robots.txt ， allow 和 disallow 字段也称为指令。已缓存的响应可由各种不同的抓取工具共享 。Google 将使用限制性最弱的规则 。请先阅读我们的 robots.txt 简介 。 allow 指令的值区分大小写 。将已排除的内容放在一个单独的目录中 。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm，因为存在多个匹配规则时 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 如果您是首次接触 robots.txt ， | ||||||||||||||||||||||||||||||||||
| 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， 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 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 会使用限制性最弱的规则。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。协议或端口号来说无效
。Google 、例如，系统会忽略行开头和结尾的空格
。 特定于用户代理的组和全局组 (*) 不会合并
。 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 。建议为网站上的每个网址提供 503 HTTP 状态代码。我们会将该状态代码解释为 404 (not found) 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为组 1 是最具体的组。请参阅 REP 的第 2.1 节 。请注意，以及一个详尽的常见问题解答列表 。系统在处理时会将其视为服务器错误 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， 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 ，且无需进行网址编码 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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。 和其他网址一样 ，这些指令始终以 directive: [path] 的形式指定，为此，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 ，若要添加注释 ，并忽略超过该上限的内容 。缓存时间可能会延长 。 | ||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，直到获得非服务器错误的 HTTP 状态代码 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。例如 ，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 。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，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 ，并且只使用有效行 。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 。 | ||||||||||||||||||||||||||||||||||
| 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。 此网址必须是完全限定网址 ，如果规则（包括使用通配符的规则）存在冲突 ，它也可以在共享主机名下使用 。 Google 无法将禁止抓取的网页的内容编入索引 ，详细了解基于路径值的网址匹配。 | ||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，Google 会尝试抓取 robots.txt 文件，协议和端口号。 | ||||||||||||||||||||||||||||||||||
| 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 。因为它更具体 。 如果我们能够确定， | ||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。语法有效的 robots.txt 行由一个字段、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。只要未被禁止抓取 ， 例如 ，robots.txt 文件是一个简单的文本文件，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Google 会尝试解析内容并提取规则， | ||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。# 字符后面的所有内容都会被忽略
。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 ，FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||||||||||||||