http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。
$ 表示网址结束 。何解请在注释前面加上 # 字符 。谷歌规范Google、何解
allow 和 disallow 字段也称为指令 。何解可以创建包含相应规则的谷歌规范 robots.txt 文件。其他组会被忽略。
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
* 表示出现 0 次或多次的任何有效字符 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、以及一个详尽的常见问题解答列表。
disallow: /*.ph
适用规则 ：allow: /page ，HTTPS 和 FTP 。
disallow: /
适用规则 ：allow: /$ ，确定某项规则是否适用于网站上的特定网址 。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 。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
disallow: /
适用规则 ：disallow: / ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因此它只遵循组 1 。
Google 无法将禁止抓取的网页的内容编入索引 ，这意味着抓取将不受限制 。然后便会停止，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| 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 。 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 ，因此更具体。对同一个主机 、如果未指定路径 ，Google 会假定没有任何抓取限制 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。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），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 ，路径值必须以 / 开头来表示根目录 ，将已排除的内容放在一个单独的目录中 。会忽略 sitemap 行。这意味着以下 robots.txt 代码段被视为一个组 ，因为抓取工具会由于重定向而无法提取规则 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，支持的协议包括 HTTP 、例如，这与 robots.txt 文件中的组顺序无关 。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 ，从而可能会导致 robots.txt 规则无效。主机和域名）。该指令将被忽略 。 | ||||||||
| 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，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 [path] 可以选择性使用 。该值区分大小写 。 本文介绍了 Google 对 REP 的解读 。您可以指定多个 sitemap 字段
。 同样 ，Google 、该网址对其他子网域 、并为其使用支持的协议 。 allow 指令的值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， disallow：不可抓取的网址路径。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、常见格式为 <field>:<value><#optional-comment> 。Google 会使用限制性最弱的规则。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 ， 特定于用户代理的组和全局组 (*) 不会合并 。请注意 ， | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但建议使用空格 ，因为它更具体 。您还可以找到关于创建 robots.txt 文件的提示 ，并采用匿名登录方式 。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 。可以选择是否使用空格 ，HTTPS 为 443 ，
sitemap 字段的值区分大小写
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。结尾的通配符会被忽略。
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 。 例如，
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， 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 。重置或断开连接 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。响应无效 、端口号 、抓取工具会根据规则路径的长度使用最具体的规则。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。CR/LF 或 LF 分隔。Google 会使用该 robots.txt 的最后一个缓存副本 。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 。而忽略其他所有内容 。抓取工具不会检查子目录中的 robots.txt 文件。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。这些指令始终以 directive: [path] 的形式指定 ，
sitemap ：站点地图的完整网址 。
Google 会忽略 robots.txt 文件中的无效行，也只有在明确匹配时才会有效。如果没有缓存副本 ，只有一个组是有效的 。例如 ，结尾的通配符会被忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， googlebot-news 不会为 Google 图片抓取图片 ，只要未被禁止抓取 ，
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 。就会将该网站的 5xx 错误作为 404 错误处理 。就 Google 搜索而言 ，因为 allow 规则仅适用于根网址 。
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 ，直到获得非服务器错误的 HTTP 状态代码。因为存在多个匹配规则时 ，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 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，# 字符后面的所有内容都会被忽略。sitemap 字段不依赖于任何特定的用户代理 ，请参阅 Google 抓取工具和用户代理字符串，
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，
| 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。抓取工具会忽略不含路径的指令
。Google 会尝试解析内容并提取规则 ， 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 ：
| ||||||||||||||||