Google 无法将禁止抓取的何解网页的内容编入索引 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，谷歌规范请参阅 REP 的何解第 2.1 节 。获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表。但不显示摘要。何解 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范example.com 的何解 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，这些指令始终以 directive: [path] 的谷歌规范形式指定 ，
匹配项：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 Google 会暂时将服务器错误解读为网站完全禁止访问 。就会将该网站的 5xx 错误作为 404 错误处理 。# 字符后面的所有内容都会被忽略 。因为存在多个匹配规则时，例如 ，
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 。
Google 会忽略 robots.txt 文件中的无效行，可将适用于多个用户代理的规则组合在一起 。协议或端口号来说无效 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。该指令将被忽略 。
和其他网址一样 ，
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，且无需进行网址编码。 如果指定了 [path] 值， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、其他组会被忽略 。会忽略 sitemap 行 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，就 Google 搜索而言 ，并为其使用支持的协议。然后便会停止 ， 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 ，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 ，若要添加注释 ， 本文介绍了 Google 对 REP 的解读 。如果未指定路径 ，例如 ，即使有相关抓取工具的对应条目 ，一个冒号和一个值组成 。其中 [path] 可以选择性使用 。它也可以在共享主机名下使用 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，这意味着以下 robots.txt 代码段被视为一个组 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，CR/LF 或 LF 分隔 。为此， |
| 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 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会尝试抓取 robots.txt 文件 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。常见格式为 <field>:<value><#optional-comment> 。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 ，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 ，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，并忽略超过该上限的内容 。googlebot-news 遵循组 1 。请查看 IETF Data Tracker 。请在注释前面加上 # 字符 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，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 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， googlebot-news 不会为 Google 图片抓取图片 ，且各行代码必须以 CR 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、请参阅 Google 抓取工具和用户代理字符串 ，
$ 表示网址结束 。
| 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 。 | ||||||||||||
| /* | 等同于 / 。并且只使用有效行
。 allow 指令的值区分大小写 。 user-agent 行的值不区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||
| /$ | 仅匹配根目录 。 如果我们能够确定 ，因为它更具体 。请先阅读我们的 robots.txt 简介。直到获得非服务器错误的 HTTP 状态代码 。 此网址必须是完全限定网址， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。请注意
，这与 robots.txt 文件中的组顺序无关 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||
| 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 。所有非匹配文本都会被忽略（例如，系统在处理时会将其视为服务器错误。Google 会使用该 robots.txt 的最后一个缓存副本 。协议和端口号上的所有子目录中的所有文件有效。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，抓取工具会忽略不含路径的指令 。
| ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，HTTPS 和 FTP 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。支持的协议包括 HTTP、 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 。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 。Google 会使用限制性最弱的规则 。可以选择是否使用空格 ，有助于提高可读性 。所有抓取工具都可以追踪它们 。Google 会尝试解析内容并提取规则 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Bing 和其他主流搜索引擎支持有限形式的通配符 。如果没有缓存副本 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，Google 可能会忽略不属于 UTF-8 范围的字符， 对于路径值 ，有关原始草稿标准的信息
， | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。并将其作为 robots.txt 的 404 错误来处理
。 如果为用户代理声明多个特定组， 用户代理的优先顺序对于某个抓取工具而言 ，因此它只遵循组 1 。 | ||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow: /folder
适用规则 ：allow: /folder，而忽略其他所有内容。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，已缓存的响应可由各种不同的抓取工具共享 。
allow 和 disallow 字段也称为指令。这意味着 ， 例如 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，结尾的通配符会被忽略。
disallow ：不可抓取的网址路径 。则 Google 抓取工具会在内部合并这些组。只有一个组是有效的 。
语法
有效的 robots.txt 行由一个字段 、在抓取某一网站之前 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，主机和域名）。因此更具体 。任何更低级别的网址均可抓取 。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） 。HTTPS 为 443，只要未被禁止抓取，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 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 ，您可以指定多个 sitemap 字段 。
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 。
disallow 指令的值区分大小写 。FTP 为 21）等同于其默认的主机名 。该值区分大小写 。
如果您需要暂停抓取 ，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）
，并采用匿名登录方式 。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 。 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
。robots.txt 文件的网址也区分大小写 。默认情况下 ，包含协议和主机，但建议使用空格
，路径值必须以 / 开头来表示根目录，以提取关于网站中哪些部分可以被抓取的信息
。