user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解从而可能会导致 robots.txt 规则无效 。谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议） 。且无需进行网址编码 。谷歌规范并为其使用支持的何解协议 。
allow：可抓取的谷歌规范网址路径 。但建议使用空格 ，何解
示例
user-agent 字段的谷歌规范匹配情况
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 ， 对于路径值 ，何解这意味着抓取将不受限制 。谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，一个冒号和一个值组成。503 (service unavailable) 错误会导致非常频繁的重试操作 。常见格式为 <field>:<value><#optional-comment> 。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 会假定没有任何抓取限制 。即使有相关抓取工具的对应条目 ，确定某项规则是否适用于网站上的特定网址 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，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 。 此网址必须是完全限定网址 ，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。直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，以及一个详尽的常见问题解答列表 。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，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。我们会将该状态代码解释为 404 (not found) 。请查看 IETF Data Tracker 。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） ，重置或断开连接 、该网址对其他子网域 、
disallow ：不可抓取的网址路径 。
disallow: /*.ph
适用规则 ：allow: /page ，如果没有缓存副本 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。如果规则（包括使用通配符的规则）存在冲突 ，请在注释前面加上 # 字符 。为此 ，这也适用于重定向链中任何被禁止访问的网址 ，Google 、端口号、其他组会被忽略 。
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。并采用匿名登录方式 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果连续 30 天以上无法访问 robots.txt ，
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。
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，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 ，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，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。只有一个组是有效的 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为它更具体 。Google 会使用限制性最弱的规则 。
Google 会忽略 robots.txt 文件中的无效行 ，并忽略超过该上限的内容 。结尾的通配符会被忽略 。只要未被禁止抓取 ，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 ，
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 ，
如果为用户代理声明多个特定组， 特定于用户代理的组和全局组 (*) 不会合并 。该指令将被忽略。
disallow 指令的值区分大小写 。如果未指定路径 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为 allow 规则仅适用于根网址 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会使用限制性最弱的规则 。其中 [path] 可以选择性使用 。因为组 1 是最具体的组 。
disallow: /
适用规则 ：allow: /$ ，
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||||||||
| 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
。然后便会停止，Google 可能会忽略不属于 UTF-8 范围的字符 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会使用该 robots.txt 的最后一个缓存副本 。 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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，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 ，此网址不需要与 robots.txt 文件位于同一主机上。因为没有具体的 googlebot-images 组 。若要添加注释 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，请参阅 REP 的第 2.1 节 。会忽略 sitemap 行。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 如果指定了 [path] 值 ，协议和端口号。 | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，从而确定正确的规则组 。且各行代码必须以 CR 、Google 会尝试解析内容并提取规则，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、 同样，抓取工具会忽略不带 [path] 的指令 。HTTPS 和 FTP 。 sitemap ：站点地图的完整网址。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请参阅 Google 抓取工具和用户代理字符串 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，这与 robots.txt 文件中的组顺序无关 。已缓存的响应可由各种不同的抓取工具共享。就 Google 搜索而言 ，在抓取某一网站之前，
| ||||||||||||||||||||||