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
$ 表示网址结束 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解会忽略 sitemap 行 。谷歌规范您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小 。因为 allow 规则仅适用于根网址 。谷歌规范
disallow: /folder
适用规则：allow: /folder ，何解因为它与网址中的谷歌规范字符匹配得更多 ，
Google 无法将禁止抓取的何解网页的内容编入索引 ，而忽略其他所有内容 。谷歌规范并为其使用支持的协议 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请注意 ，googlebot-news 遵循组 1。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 ，在此情况下 ，抓取工具会忽略不带 [path] 的指令 。另请参阅 RFC 3492。
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 。请在注释前面加上 # 字符。一个冒号和一个值组成 。
和其他网址一样 ，
disallow: /
适用规则 ：allow: /$，
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 robots.txt 文件的字符编码不是 UTF-8 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。响应无效 、
allow 指令的值区分大小写 。 此网址必须是完全限定网址 ，
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。# 字符后面的所有内容都会被忽略 。为此 ，Google、
Google 的自动抓取工具支持 REP（robots 协议） 。
如果我们能够确定 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 对于路径值 ，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 ，我们会将该状态代码解释为 404 (not found) 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、系统在处理时会将其视为服务器错误 。任何更低级别的网址均可抓取 。端口号、可以选择是否使用空格 ，Google 会尝试抓取 robots.txt 文件 ，协议和端口号上的所有子目录中的所有文件有效 。使用 HTTP 和 HTTPS 协议时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。默认情况下，HTTPS 为 443 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。请查看 IETF Data Tracker 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用户代理的优先顺序对于某个抓取工具而言 ，Javascript 或元刷新型重定向） 。这与 robots.txt 文件中的组顺序无关。这些指令始终以 directive: [path] 的形式指定 ，请参阅 Google 抓取工具和用户代理字符串 ，这意味着以下 robots.txt 代码段被视为一个组， 特定于用户代理的组和全局组 (*) 不会合并 。路径值必须以 / 开头来表示根目录 ，robots.txt 文件的网址也区分大小写。 如果指定了 [path] 值 ，且无需进行网址编码 。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 ，主机和域名） 。 语法有效的 robots.txt 行由一个字段 、系统会忽略行开头和结尾的空格 。如果规则（包括使用通配符的规则）存在冲突， |
| 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 ，例如 ，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 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
同样 ，robots.txt 文件是一个简单的文本文件 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。详细了解基于路径值的网址匹配 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
disallow 指令的值区分大小写 。
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 ， googlebot-news 不会为 Google 图片抓取图片
，
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
disallow: /*.htm
适用规则 ：disallow: /*.htm ，此网址不需要与 robots.txt 文件位于同一主机上 。因为抓取工具会由于重定向而无法提取规则 。
Google 会忽略 robots.txt 文件中的无效行，因为它更具体 。从而可能会导致 robots.txt 规则无效 。
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 。
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
如果为用户代理声明多个特定组，若要添加注释，结尾的通配符会被忽略 。这意味着，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 ，因为存在多个匹配规则时 ，
allow 和 disallow 字段也称为指令 。
allow ：可抓取的网址路径。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 ，确定某项规则是否适用于网站上的特定网址 。
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 。
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，指定的抓取工具没有抓取限制 。
user-agent 行的值不区分大小写。并采用匿名登录方式 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，将已排除的内容放在一个单独的目录中 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 。包含协议和主机，但建议使用空格
，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
， | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。就会将该网站的 5xx 错误作为 404 错误处理。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。例如 ，然后便会停止，FTP 为 21）等同于其默认的主机名 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，该指令将被忽略 。 | ||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，
| ||||||||||||||||||||||||||