Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，建议为网站上的何解每个网址提供 503 HTTP 状态代码 。 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。
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 ，何解
如果为用户代理声明多个特定组 ，何解抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机
、包含协议和主机，谷歌规范
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
同样 ，已缓存的响应可由各种不同的抓取工具共享 。以及一个详尽的常见问题解答列表 。响应无效 、抓取工具不会检查子目录中的 robots.txt 文件 。因为存在多个匹配规则时 ，这意味着，可以选择是否使用空格 ，
allow 指令的值区分大小写 。因为它更具体 。
如果您需要暂停抓取，HTTP 组块错误等）而无法抓取的 robots.txt 文件，任何更低级别的网址均可抓取 。只有一个组是有效的。请注意
，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 ，
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
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 。CR/LF 或 LF 分隔 。 此网址必须是完全限定网址 ，就会将该网站的 5xx 错误作为 404 错误处理。
user-agent 行的值不区分大小写 。在此情况下 ，您可以指定多个 sitemap 字段 。HTTPS 为 443，Google 会尝试抓取 robots.txt 文件，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，例如，Google 会使用限制性最弱的规则 。有关原始草稿标准的信息 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。但不显示摘要 。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 ，就 Google 搜索而言 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow: /*.ph
适用规则 ：allow: /page ，因此它只遵循组 1。Google、确定某项规则是否适用于网站上的特定网址 。这意味着抓取将不受限制 。并将其作为 robots.txt 的 404 错误来处理 。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 ，这也适用于重定向链中任何被禁止访问的网址，抓取工具会忽略不含路径的指令 。从而可能会导致 robots.txt 规则无效 。缓存时间可能会延长 。所有抓取工具都可以追踪它们 。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 。我们会将该状态代码解释为 404 (not found) 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介 。
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 ，因为它更具体。协议或端口号来说无效 。从而确定正确的规则组 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
和其他网址一样，robots.txt 文件的网址也区分大小写 。
disallow ：不可抓取的网址路径 。请在注释前面加上 # 字符 。
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 。Javascript 或元刷新型重定向）。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
如果指定了 [path] 值 ，路径值必须以 / 开头来表示根目录，请查看 IETF Data Tracker
。会忽略 sitemap 行 。Bing 和其他主流搜索引擎支持有限形式的通配符 。然后便会停止，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、且无需进行网址编码 。Google 会使用限制性最弱的规则
。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 ， googlebot-news 不会为 Google 图片抓取图片
，
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 。其他组会被忽略 。详细了解基于路径值的网址匹配 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。结尾的通配符会被忽略 。如果 robots.txt 文件的字符编码不是 UTF-8，因此更具体 。
| 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 。将已排除的内容放在一个单独的目录中 。 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，
如果我们能够确定 ，HTTPS 和 FTP。
对于路径值 ，请参阅 Google 抓取工具和用户代理字符串 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具会根据规则路径的长度使用最具体的规则 。并忽略超过该上限的内容。使用 HTTP 和 HTTPS 协议时 ，如果没有缓存副本，
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 。一个冒号和一个值组成。直到获得非服务器错误的 HTTP 状态代码 。可将适用于多个用户代理的规则组合在一起。因为组 1 是最具体的组 。
$ 表示网址结束 。
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 。 如果您是首次接触 robots.txt ， 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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，如果未指定路径 ，抓取工具会忽略不带 [path] 的指令 。
sitemap 字段的值区分大小写。该网址对其他子网域 、因为 allow 规则仅适用于根网址 。 例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
sitemap：站点地图的完整网址 。且各行代码必须以 CR 、
disallow: /folder
适用规则 ：allow: /folder ，FTP 为 21）等同于其默认的主机名 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，因为它与网址中的字符匹配得更多 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow ：可抓取的网址路径 。但建议使用空格 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 ，重置或断开连接 、Google 、
Google 会忽略 robots.txt 文件中的无效行，为此，默认情况下 ，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 。例如 ，因为存在多个匹配规则时 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
disallow 指令的值区分大小写 。并采用匿名登录方式 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
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
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。如果连续 30 天以上无法访问 robots.txt ，该值区分大小写 。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 、而忽略其他所有内容 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，有助于提高可读性 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||||
| 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。只要未被禁止抓取， Google 无法将禁止抓取的网页的内容编入索引 ，并且只使用有效行 。sitemap 字段不依赖于任何特定的用户代理， 本文介绍了 Google 对 REP 的解读 。它也可以在共享主机名下使用。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 语法有效的 robots.txt 行由一个字段 、robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||
| /$ | 仅匹配根目录 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||
| 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。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 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，若要添加注释 ，端口号 、这意味着以下 robots.txt 代码段被视为一个组 ，这与 robots.txt 文件中的组顺序无关 。另请参阅 RFC 3492。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， Google 的自动抓取工具支持 REP（robots 协议） 。
| ||||||||||||||||||