disallow 指令的谷歌规范值区分大小写 。请参阅 REP 的何解第 2.1 节 。另请参阅 RFC 3492 。谷歌规范FTP 为 21）等同于其默认的何解主机名 。因为抓取工具会由于重定向而无法提取规则。谷歌规范指定的何解抓取工具没有抓取限制。因为没有具体的谷歌规范 googlebot-images 组。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。何解 allow 和 disallow 字段也称为指令 。谷歌规范因为它更具体 。何解因为它更具体 。谷歌规范这些通配符包括： * 表示出现 0 次或多次的何解任何有效字符 。在抓取某一网站之前 ，谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，Google 、谷歌规范 | ||||||||||||||||||
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，则 Google 抓取工具会在内部合并这些组。 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 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。用户代理的优先顺序对于某个抓取工具而言 ，
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。并忽略超过该上限的内容 。例如 ， 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 。因此它只遵循组 1 。且各行代码必须以 CR 、因为它与网址中的字符匹配得更多，其他组会被忽略 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。常见格式为 <field>:<value><#optional-comment> 。Google 会尝试抓取 robots.txt 文件， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。Bing 和其他主流搜索引擎支持有限形式的通配符 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。协议或端口号来说无效 。缓存时间可能会延长 。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 。但不显示摘要 。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 。因为组 1 是最具体的组 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，如果规则（包括使用通配符的规则）存在冲突 ，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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这也适用于重定向链中任何被禁止访问的网址 ，这意味着抓取将不受限制。googlebot-news 遵循组 1 。就 Google 搜索而言 ， | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，为此 ，以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||
| /fish* | 等同于 /fish 。抓取工具会忽略不带 [path] 的指令 。该值区分大小写 。可以选择是否使用空格
，因为 allow 规则仅适用于根网址
。您还可以找到关于创建 robots.txt 文件的提示
，您可以指定多个 sitemap 字段。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，响应无效 、有关原始草稿标准的信息，详细了解基于路径值的网址匹配 。 如果您需要暂停抓取，它也可以在共享主机名下使用。 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 。了解如何阻止编入索引 。 | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、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 ，
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。
allow 指令的值区分大小写 。CR/LF 或 LF 分隔。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 。默认情况下 ，只有一个组是有效的。这些指令始终以 directive: [path] 的形式指定 ，从而确定正确的规则组 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 ，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 。请参阅 Google 抓取工具和用户代理字符串 ，robots.txt 文件是一个简单的文本文件 ，所有抓取工具都可以追踪它们。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会尝试解析内容并提取规则，
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
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值 ，
disallow ：不可抓取的网址路径 。
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 会使用该 robots.txt 的最后一个缓存副本 。一个冒号和一个值组成 。会忽略 sitemap 行。将已排除的内容放在一个单独的目录中 。但该文件可能是共享的 ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。
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 ， | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 此网址必须是完全限定网址 ，已缓存的响应可由各种不同的抓取工具共享。且无需进行网址编码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。主机和域名） 。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 ，路径值必须以 / 开头来表示根目录 ， 语法有效的 robots.txt 行由一个字段 、 Google 无法将禁止抓取的网页的内容编入索引，如果没有缓存副本， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。重置或断开连接
、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， $ 表示网址结束 。例如 ，可以创建包含相应规则的 robots.txt 文件 。 sitemap ：站点地图的完整网址 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、即使有相关抓取工具的对应条目 ，并将其作为 robots.txt 的 404 错误来处理 。系统在处理时会将其视为服务器错误。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。然后便会停止
， | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。以提取关于网站中哪些部分可以被抓取的信息。请先阅读我们的 robots.txt 简介 。
如果为用户代理声明多个特定组
，
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 。HTTPS 和 FTP 。因此更具体。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 、结尾的通配符会被忽略 。sitemap 字段不依赖于任何特定的用户代理，结尾的通配符会被忽略 。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，
allow ：可抓取的网址路径 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 。系统会忽略行开头和结尾的空格。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，所有非匹配文本都会被忽略（例如，但建议使用空格 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，端口号 、也只有在明确匹配时才会有效 。但可能仍会将其网址编入索引并将其显示在搜索结果中，
本文介绍了 Google 对 REP 的解读 。
user-agent 行的值不区分大小写 。