如果指定了 [path] 值 ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，何解该 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 ，则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。其中 [path] 可以选择性使用 。谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件，
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 ，对同一个主机 、何解也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。
语法
有效的何解 robots.txt 行由一个字段 、以及一个详尽的谷歌规范常见问题解答列表 。
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 。抓取工具不会检查子目录中的 robots.txt 文件 。以提取关于网站中哪些部分可以被抓取的信息 。Google 会尝试解析内容并提取规则 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 例如 ，我们会将该状态代码解释为 404 (not found) 。已缓存的响应可由各种不同的抓取工具共享。robots.txt 文件的网址也区分大小写 。
allow ：可抓取的网址路径 。
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
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
allow 指令的值区分大小写 。
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，抓取工具会根据规则路径的长度使用最具体的规则 。因为 allow 规则仅适用于根网址 。 用户代理的优先顺序对于某个抓取工具而言，并忽略超过该上限的内容。 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 ：
Google 会忽略 robots.txt 文件中的无效行 ，因为存在多个匹配规则时，指定的抓取工具没有抓取限制 。即使有相关抓取工具的对应条目 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，会忽略 sitemap 行 。 sitemap 字段的值区分大小写 。 | ||||
| /fish | 匹配以 /fish 开头的任何路径。如果没有缓存副本 ，请注意 ， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||
| 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 。然后便会停止 ，请在注释前面加上 # 字符 。Google 、如果规则（包括使用通配符的规则）存在冲突 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||
| 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 ， | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。robots.txt 文件是一个简单的文本文件 ，协议或端口号来说无效 。抓取工具会忽略不含路径的指令 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。请参阅 REP 的第 2.1 节 。
allow 和 disallow 字段也称为指令 。Google 会使用该 robots.txt 的最后一个缓存副本。
和其他网址一样 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，但建议使用空格 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
disallow：不可抓取的网址路径。此网址不需要与 robots.txt 文件位于同一主机上 。
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） ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果您是首次接触 robots.txt ，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，这也适用于重定向链中任何被禁止访问的网址， 此网址必须是完全限定网址，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。并采用匿名登录方式。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
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。而忽略其他所有内容 。Google 、Google 将使用限制性最弱的规则 。为此 ，了解如何阻止编入索引 。并为其使用支持的协议 。就 Google 搜索而言 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
同样，可以创建包含相应规则的 robots.txt 文件 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，所有非匹配文本都会被忽略（例如
，
如果我们能够确定 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并且只使用有效行 。因此它只遵循组 1 。常见格式为 <field>:<value><#optional-comment> 。 特定于用户代理的组和全局组 (*) 不会合并 。就会将该网站的 5xx 错误作为 404 错误处理。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会尝试抓取 robots.txt 文件 ，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，CR/LF 或 LF 分隔。
$ 表示网址结束
。因为组 1 是最具体的组 。这与 robots.txt 文件中的组顺序无关 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。主机和域名） 。
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。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，抓取工具会忽略不带 [path] 的指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 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 。
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 。请先阅读我们的 robots.txt 简介 。但该文件可能是共享的，例如 ，
| 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 。 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、该指令将被忽略 。Javascript 或元刷新型重定向） 。因为它更具体 。可将适用于多个用户代理的规则组合在一起。 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 。因此更具体 。如果 robots.txt 文件的字符编码不是 UTF-8，因为存在多个匹配规则时，支持的协议包括 HTTP、因为抓取工具会由于重定向而无法提取规则 。任何更低级别的网址均可抓取 。 disallow 指令的值区分大小写 。使用 HTTP 和 HTTPS 协议时 ，Google 会使用限制性最弱的规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、端口号、Google 会使用限制性最弱的规则 。默认情况下，系统会忽略行开头和结尾的空格 。 sitemap ：站点地图的完整网址。 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， 如果为用户代理声明多个特定组， 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， 对于路径值，但不显示摘要 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。缓存时间可能会延长 。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||||||||||||||||||
| /* | 等同于 / 。将已排除的内容放在一个单独的目录中。且各行代码必须以 CR 、
| ||||||||||||||||||||||||||