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 。
sitemap 字段的谷歌规范值区分大小写 。支持的何解协议包括 HTTP 、
同样 ，谷歌规范因此更具体 。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 ，例如
，sitemap 字段不依赖于任何特定的用户代理 ，为此
，Google 将使用限制性最弱的规则 。即使有相关抓取工具的对应条目 ，这也适用于重定向链中任何被禁止访问的网址 ，并采用匿名登录方式
。
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
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 ，FTP 为 21）等同于其默认的主机名 。
disallow ：不可抓取的网址路径 。
Google 的自动抓取工具支持 REP（robots 协议）。可将适用于多个用户代理的规则组合在一起 。
Google 无法将禁止抓取的网页的内容编入索引，
user-agent 行的值不区分大小写 。系统会忽略行开头和结尾的空格 。缓存时间可能会延长 。这意味着以下 robots.txt 代码段被视为一个组 ，常见格式为 <field>:<value><#optional-comment> 。
如果为用户代理声明多个特定组，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，重置或断开连接 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /，Google 会假定没有任何抓取限制 。其中 [path] 可以选择性使用 。如果规则（包括使用通配符的规则）存在冲突，以及一个详尽的常见问题解答列表。 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。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 如果您是首次接触 robots.txt ，请参阅 REP 的第 2.1 节 。 用户代理的优先顺序对于某个抓取工具而言 ，主机和域名） 。 此网址必须是完全限定网址， |
| /fish | 匹配以 /fish 开头的任何路径 。例如 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， disallow 指令的值区分大小写。Google 可能会忽略不属于 UTF-8 范围的字符 ，结尾的通配符会被忽略 。将已排除的内容放在一个单独的目录中 。而忽略其他所有内容 。Google 、确定某项规则是否适用于网站上的特定网址。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 ，在抓取某一网站之前 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就 Google 搜索而言 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会尝试解析内容并提取规则 ， |
| 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 ， 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，包含协议和主机 ，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。这意味着，因为存在多个匹配规则时 ，robots.txt 文件是一个简单的文本文件，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，请参阅 Google 抓取工具和用户代理字符串
，请在注释前面加上 # 字符 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、路径值必须以 / 开头来表示根目录
，协议和端口号。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）
，因为它与网址中的字符匹配得更多，如果连续 30 天以上无法访问 robots.txt，我们会将该状态代码解释为 404 (not found) 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，详细了解基于路径值的网址匹配。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，此网址不需要与 robots.txt 文件位于同一主机上。如果 robots.txt 文件的字符编码不是 UTF-8，这意味着抓取将不受限制 。请注意 ，
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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。则 Google 抓取工具会在内部合并这些组。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 、HTTPS 为 443 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
和其他网址一样 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，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。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） 。Javascript 或元刷新型重定向） 。因为 allow 规则仅适用于根网址 。
语法
有效的 robots.txt 行由一个字段 、因此它只遵循组 1 。抓取工具会忽略不带 [path] 的指令 。Google 会使用限制性最弱的规则。
allow：可抓取的网址路径。默认情况下，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
如果您需要暂停抓取 ，并且只使用有效行
。因为它更具体 。
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 。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 ， googlebot-news 不会为 Google 图片抓取图片 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
如果我们能够确定，Google 会使用限制性最弱的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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。HTTPS 和 FTP 。
disallow: /
适用规则 ：allow: /$，如果未指定路径 ，若要添加注释 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。了解如何阻止编入索引 。如果没有缓存副本， 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 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为组 1 是最具体的组 。只有一个组是有效的 。503 (service unavailable) 错误会导致非常频繁的重试操作。并为其使用支持的协议 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读 。可以选择是否使用空格 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定
，任何更低级别的网址均可抓取。
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。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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，但建议使用空格
，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
对于路径值 ，
| 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 。例如
， 如果指定了 [path] 值， 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 ，所有非匹配文本都会被忽略（例如，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具不会检查子目录中的 robots.txt 文件。 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 、
| ||||||||||||||||||||||||||