同样 ，谷歌规范协议或端口号来说无效 。何解example.com 的谷歌规范 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 ，该值区分大小写 。何解
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谷歌规范规则组 ：
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 ，有关原始草稿标准的何解信息 ，但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时）， 如果您是何解首次接触 robots.txt ，Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，以及一个详尽的何解常见问题解答列表 。
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、
示例
user-agent 字段的何解匹配情况
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 ，Google 、谷歌规范但该文件可能是共享的 ，了解如何阻止编入索引 。 如果我们能够确定，这些指令始终以 directive: [path] 的形式指定 ，googlebot-news 遵循组 1 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。建议为网站上的每个网址提供 503 HTTP 状态代码 。为此 ，系统在处理时会将其视为服务器错误 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，只要未被禁止抓取 ，请在注释前面加上 # 字符 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 googlebot-news 不会为 Google 图片抓取图片 ，请参阅 REP 的第 2.1 节 。如果连续 30 天以上无法访问 robots.txt ，并为其使用支持的协议 。此网址不需要与 robots.txt 文件位于同一主机上 。 user-agent 行的值不区分大小写
。并采用匿名登录方式 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为 allow 规则仅适用于根网址 。Google 会假定没有任何抓取限制 。 Google 的自动抓取工具支持 REP（robots 协议）。结尾的通配符会被忽略 。因为没有具体的 googlebot-images 组 。 | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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，可以选择是否使用空格 ，有助于提高可读性。该网址对其他子网域 、
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 。
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 。robots.txt 文件的网址也区分大小写 。且各行代码必须以 CR 、
$ 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 。所有非匹配文本都会被忽略（例如 ， 语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。常见格式为 <field>:<value><#optional-comment>
。 对于路径值 ， allow ：可抓取的网址路径。Google、这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||
| 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
，将已排除的内容放在一个单独的目录中 。可将适用于多个用户代理的规则组合在一起。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 ， | ||||||||||||||||||
| 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， 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 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 。robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，Google 将使用限制性最弱的规则 。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，请参阅 Google 抓取工具和用户代理字符串 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 本文介绍了 Google 对 REP 的解读。 如果为用户代理声明多个特定组 ， 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 ，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。协议和端口号上的所有子目录中的所有文件有效 。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，因此它只遵循组 1。就 Google 搜索而言 ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，因为组 1 是最具体的组 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，这与 robots.txt 文件中的组顺序无关 。包含协议和主机 ， | ||||||||||||||||||
| /* | 等同于 / 。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 此网址必须是完全限定网址 ，重置或断开连接 、例如 ，例如 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 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 。 | ||||||||||||||||||
| 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。 | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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，
sitemap ：站点地图的完整网址。可以创建包含相应规则的 robots.txt 文件。支持的协议包括 HTTP 、缓存时间可能会延长 。端口号、HTTPS 为 443，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。任何更低级别的网址均可抓取。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap 字段的值区分大小写 。直到获得非服务器错误的 HTTP 状态代码 。协议和端口号 。其中 [path] 可以选择性使用 。例如，Bing 和其他主流搜索引擎支持有限形式的通配符。路径值必须以 / 开头来表示根目录 ，这也适用于重定向链中任何被禁止访问的网址 ，所有抓取工具都可以追踪它们 。
disallow 指令的值区分大小写。而忽略其他所有内容 。我们会将该状态代码解释为 404 (not found) 。sitemap 字段不依赖于任何特定的用户代理，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） 。
disallow: /
适用规则 ：allow: /$ ，
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 。
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: 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 ，但不显示摘要 。会忽略 sitemap 行 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow: /folder
适用规则 ：allow: /folder，若要添加注释 ，默认情况下 ，请注意 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因此更具体 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，抓取工具会忽略不含路径的指令 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，使用 HTTP 和 HTTPS 协议时 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 和其他网址一样，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，并将其作为 robots.txt 的 404 错误来处理。在此情况下 ， |