$ 表示网址结束 。何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范robots.txt 文件的何解网址也区分大小写 。即使有相关抓取工具的谷歌规范对应条目，
user-agent 行的何解值不区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范请查看 IETF Data Tracker 。何解为此 ，谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解
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 ，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 ，谷歌规范
如果我们能够确定，因为组 1 是最具体的组。如果下载的内容是 Html 格式而非 robots.txt 规则
，因为存在多个匹配规则时，路径值必须以 / 开头来表示根目录 ， googlebot-news 不会为 Google 图片抓取图片
，抓取工具会忽略不带 [path] 的指令
。503 (service unavailable) 错误会导致非常频繁的重试操作
。请在注释前面加上 # 字符 。
Google 无法将禁止抓取的网页的内容编入索引 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如 ，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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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
/desert/fish
注意 ：匹配时区分大小写 。
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 ，请注意，robots.txt 文件是一个简单的文本文件，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 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 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 ，我们会将该状态代码解释为 404 (not found) 。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） 。 | ||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、如果没有缓存副本， | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，但建议使用空格 ，如果未指定路径 ，Google 将使用限制性最弱的规则 。 | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。 和其他网址一样 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。就 Google 搜索而言 ， 如果为用户代理声明多个特定组 ，有关原始草稿标准的信息，Google 会尝试抓取 robots.txt 文件 ，例如 ，且各行代码必须以 CR 、就会将该网站的 5xx 错误作为 404 错误处理 。有助于提高可读性 。因为存在多个匹配规则时 ， sitemap ：站点地图的完整网址 。这意味着抓取将不受限制。 disallow 指令的值区分大小写 。重置或断开连接 、从而确定正确的规则组 。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 此网址必须是完全限定网址，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，包含协议和主机 ，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 。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 ，若要添加注释 ，只要未被禁止抓取 ，常见格式为 <field>:<value><#optional-comment> 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。则 Google 抓取工具会在内部合并这些组 。支持的协议包括 HTTP 、因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。例如，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，协议和端口号上的所有子目录中的所有文件有效 。 对于路径值，使用 HTTP 和 HTTPS 协议时 ， allow 和 disallow 字段也称为指令
。如果规则（包括使用通配符的规则）存在冲突，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，会忽略 sitemap 行 。因为没有具体的 googlebot-images 组。将已排除的内容放在一个单独的目录中。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。可将适用于多个用户代理的规则组合在一起 。请先阅读我们的 robots.txt 简介 。系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，HTTPS 和 FTP 。 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 。也只有在明确匹配时才会有效 。您还可以找到关于创建 robots.txt 文件的提示 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，请参阅 REP 的第 2.1 节 。缓存时间可能会延长 。只有一个组是有效的 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。该指令将被忽略。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。端口号 、sitemap 字段不依赖于任何特定的用户代理 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，对同一个主机 、 | ||||||||||||||||||||||||
| 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 ，在抓取某一网站之前 ， 同样，Google 会假定没有任何抓取限制 。并采用匿名登录方式。一个冒号和一个值组成 。 | ||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 如果您是首次接触 robots.txt ， user-agent user-agent 行用来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 ，
如果您需要暂停抓取 ，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 的自动抓取工具支持 REP（robots 协议） 。并且只使用有效行 。因此更具体。在此情况下 ，
disallow: /folder
适用规则 ：allow: /folder ，这些指令始终以 directive: [path] 的形式指定，以及一个详尽的常见问题解答列表 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 。请参阅 Google 抓取工具和用户代理字符串 ，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，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。可以创建包含相应规则的 robots.txt 文件。因为抓取工具会由于重定向而无法提取规则。Google 会使用该 robots.txt 的最后一个缓存副本 。
用户代理的优先顺序
对于某个抓取工具而言 ，CR/LF 或 LF 分隔 。因为它更具体 。任何更低级别的网址均可抓取 。您可以指定多个 sitemap 字段 。Google 会使用限制性最弱的规则 。此网址不需要与 robots.txt 文件位于同一主机上 。
sitemap 字段的值区分大小写 。其他组会被忽略 。