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 ，
user-agent 行的何解值不区分大小写。端口号 、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 ，何解并为其使用支持的谷歌规范协议 。HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。何解常见格式为 <field>:<value><#optional-comment>。谷歌规范这也适用于重定向链中任何被禁止访问的何解网址
， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置。也只有在明确匹配时才会有效 。何解我们会将该状态代码解释为 404 (not found) 。谷歌规范 disallow disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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。Google 会假定没有任何抓取限制 。 $ 表示网址结束 。例如 ，抓取工具会忽略不带 [path] 的指令。重置或断开连接 、 allow 指令的值区分大小写。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 disallow ：不可抓取的网址路径。请先阅读我们的 robots.txt 简介 。如果规则（包括使用通配符的规则）存在冲突 ，对同一个主机 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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。因为组 1 是最具体的组 。支持的协议包括 HTTP 、 和其他网址一样 ， 如果指定了 [path] 值，从而可能会导致 robots.txt 规则无效 。只要未被禁止抓取 ，这意味着 ，可以选择是否使用空格 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，则 Google 抓取工具会在内部合并这些组 。但不显示摘要。因为它更具体 。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 ， | ||||||||||||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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。 | ||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。协议或端口号来说无效 。就 Google 搜索而言 ，并忽略超过该上限的内容 。另请参阅 RFC 3492 。详细了解基于路径值的网址匹配。例如 ，googlebot-news 遵循组 1 。其他组会被忽略 。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 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 会尝试解析内容并提取规则 ，Google 会使用限制性最弱的规则 。Javascript 或元刷新型重定向）。而忽略其他所有内容 。这意味着以下 robots.txt 代码段被视为一个组，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 。系统在处理时会将其视为服务器错误 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， 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 。例如 ，将已排除的内容放在一个单独的目录中 。 disallow 指令的值区分大小写 。缓存时间可能会延长 。 | ||||||||||||||||||||||||||||||||||||
| 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 ： 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 ，系统会忽略行开头和结尾的空格 。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 。因此它只遵循组 1 。以提取关于网站中哪些部分可以被抓取的信息 。robots.txt 文件的网址也区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。确定某项规则是否适用于网站上的特定网址
。
| ||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。为此，FTP 为 21）等同于其默认的主机名
。抓取工具会根据规则路径的长度使用最具体的规则 。 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 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。这意味着抓取将不受限制 。 | ||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，因为存在多个匹配规则时 ，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）。其中 [path] 可以选择性使用。 如果您需要暂停抓取 ， 如果您是首次接触 robots.txt ， 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 ，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。可将适用于多个用户代理的规则组合在一起 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。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 ，
allow ：可抓取的网址路径 。
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。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） ，如果未指定路径 ，
用户代理的优先顺序
对于某个抓取工具而言，在此情况下 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会尝试抓取 robots.txt 文件 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 ，如果没有缓存副本，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
语法
有效的 robots.txt 行由一个字段 、因为抓取工具会由于重定向而无法提取规则 。了解如何阻止编入索引 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。响应无效 、协议和端口号 。因此更具体。此网址不需要与 robots.txt 文件位于同一主机上 。建议为网站上的每个网址提供 503 HTTP 状态代码 。若要添加注释，且各行代码必须以 CR 、
| 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 。路径值必须以 / 开头来表示根目录
，CR/LF 或 LF 分隔
。且无需进行网址编码。但该文件可能是共享的，503 (service unavailable) 错误会导致非常频繁的重试操作 。 Google 会忽略 robots.txt 文件中的无效行 ，协议和端口号上的所有子目录中的所有文件有效 。请注意 ，因为 allow 规则仅适用于根网址 。这与 robots.txt 文件中的组顺序无关 。以及一个详尽的常见问题解答列表 。请参阅 Google 抓取工具和用户代理字符串 ， |