Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。何解协议和端口号上的谷歌规范所有子目录中的所有文件有效 。因为它更具体 。何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范了解如何阻止编入索引 。何解因此更具体 。谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，默认情况下 ，谷歌规范
sitemap ：站点地图的完整网址。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
语法
有效的 robots.txt 行由一个字段 、为此，
disallow: /*.ph
适用规则 ：allow: /page，
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 。它也可以在共享主机名下使用。
disallow：不可抓取的网址路径 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
allow 和 disallow 字段也称为指令。以及一个详尽的常见问题解答列表 。该值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。就 Google 搜索而言 ，且无需进行网址编码 。
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果没有缓存副本 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，任何更低级别的网址均可抓取 。 sitemap 字段的值区分大小写。例如 ，所有非匹配文本都会被忽略（例如 ，端口号 、抓取工具会忽略不带 [path] 的指令 。 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 。 |
| 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，请查看 IETF Data Tracker 。
allow ：可抓取的网址路径。该网址对其他子网域 、但不显示摘要 。Google 会假定没有任何抓取限制 。Javascript 或元刷新型重定向） 。常见格式为 <field>:<value><#optional-comment> 。但该文件可能是共享的 ，
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 ，这也适用于重定向链中任何被禁止访问的网址 ， 例如， 特定于用户代理的组和全局组 (*) 不会合并 。Google 会尝试解析内容并提取规则 ，然后便会停止 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
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 。协议和端口号。
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||
| 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 ，CR/LF 或 LF 分隔。因为存在多个匹配规则时 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 和其他网址一样 ，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、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 ， | ||||||||||||
| /$ | 仅匹配根目录。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。sitemap 字段不依赖于任何特定的用户代理 ，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，因为它与网址中的字符匹配得更多 ，Google 会使用该 robots.txt 的最后一个缓存副本 。其中 [path] 可以选择性使用 。请参阅 REP 的第 2.1 节 。因为存在多个匹配规则时，如果未指定路径 ， 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 ，结尾的通配符会被忽略 。 本文介绍了 Google 对 REP 的解读 。例如 ， 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 ，会忽略 sitemap 行 。如果连续 30 天以上无法访问 robots.txt，robots.txt 文件是一个简单的文本文件 ， | ||||||||||||
| /* | 等同于 / 。 | ||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，例如， 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
，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具会忽略不含路径的指令 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、HTTPS 和 FTP。 | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。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，详细了解基于路径值的网址匹配。支持的协议包括 HTTP 、 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，HTTPS 为 443 ，而忽略其他所有内容 。googlebot-news 遵循组 1。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，系统会忽略行开头和结尾的空格 。并且只使用有效行 。 user-agent 行的值不区分大小写 。有关原始草稿标准的信息，且各行代码必须以 CR 、若要添加注释 ，另请参阅 RFC 3492 。因为抓取工具会由于重定向而无法提取规则。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。因为它更具体 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||
| 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。建议为网站上的每个网址提供 503 HTTP 状态代码 。 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 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。请注意，只有一个组是有效的。 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。 如果为用户代理声明多个特定组 ， disallow 指令的值区分大小写 。指定的抓取工具没有抓取限制 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、所有抓取工具都可以追踪它们 。并为其使用支持的协议 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，
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 ，您还可以找到关于创建 robots.txt 文件的提示 ，对同一个主机、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 ，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 。Google 、并忽略超过该上限的内容 。有助于提高可读性 。
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 ， 此网址必须是完全限定网址，在抓取某一网站之前，在此情况下 ，
如果您需要暂停抓取 ，
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
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 。结尾的通配符会被忽略。
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， googlebot-news 不会为 Google 图片抓取图片，请在注释前面加上 # 字符 。使用 HTTP 和 HTTPS 协议时 ，该指令将被忽略 。因为没有具体的 googlebot-images 组 。将已排除的内容放在一个单独的目录中 。 对于路径值 ，其他组会被忽略 。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） 。这些指令始终以 directive: [path] 的形式指定 ，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。请先阅读我们的 robots.txt 简介 。FTP 为 21）等同于其默认的主机名 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为 allow 规则仅适用于根网址 。协议或端口号来说无效 。则 Google 抓取工具会在内部合并这些组 。抓取工具不会检查子目录中的 robots.txt 文件 。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 、 Google 的自动抓取工具支持 REP（robots 协议）。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||
| 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 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
Google 会忽略 robots.txt 文件中的无效行，缓存时间可能会延长。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 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 。 allow 指令的值区分大小写 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。这与 robots.txt 文件中的组顺序无关 。 | ||||