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
disallow: /
适用规则：allow: /$ ，谷歌规范如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页"，请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范若要添加注释 ，何解googlebot-news 遵循组 1。谷歌规范因为存在多个匹配规则时 ，何解只要未被禁止抓取 ，谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。
对于路径值 ，谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot）。何解
sitemap ：站点地图的谷歌规范完整网址 。
disallow 指令的值区分大小写 。
allow 指令的值区分大小写 。其中 [path] 可以选择性使用 。因此更具体。可以选择是否使用空格 ，因为它更具体 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，结尾的通配符会被忽略。Google 会假定没有任何抓取限制。Google 、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 ，FTP 为 21）等同于其默认的主机名 。使用 HTTP 和 HTTPS 协议时 ，Javascript 或元刷新型重定向） 。
如果您需要暂停抓取 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 ，响应无效 、请注意，这意味着以下 robots.txt 代码段被视为一个组 ，协议和端口号上的所有子目录中的所有文件有效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
# 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 ，并且只使用有效行 。例如 ，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，Google 会使用该 robots.txt 的最后一个缓存副本 。例如，协议和端口号 。但该文件可能是共享的 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。503 (service unavailable) 错误会导致非常频繁的重试操作。端口号 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，缓存时间可能会延长。
Google 无法将禁止抓取的网页的内容编入索引 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，就 Google 搜索而言 ，
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 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，协议或端口号来说无效 。Google 可能会忽略不属于 UTF-8 范围的字符，如果连续 30 天以上无法访问 robots.txt ，以及一个详尽的常见问题解答列表 。这也适用于重定向链中任何被禁止访问的网址 ，抓取工具会忽略不含路径的指令 。并忽略超过该上限的内容 。该值区分大小写 。结尾的通配符会被忽略。并为其使用支持的协议 。且无需进行网址编码。指定的抓取工具没有抓取限制 。 | ||||||||||
| 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。 | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。HTTPS 和 FTP 。Google 、主机和域名） 。则 Google 抓取工具会在内部合并这些组 。您可以指定多个 sitemap 字段。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，例如
，可以创建包含相应规则的 robots.txt 文件。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 如果为用户代理声明多个特定组 ，请查看 IETF Data Tracker。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。然后便会停止 ，任何更低级别的网址均可抓取。将已排除的内容放在一个单独的目录中 。这些指令始终以 directive: [path] 的形式指定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果规则（包括使用通配符的规则）存在冲突， | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
如果指定了 [path] 值 ，支持的协议包括 HTTP 、如果未指定路径 ，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 。
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， googlebot-news 不会为 Google 图片抓取图片 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。对同一个主机 、该网址对其他子网域 、CR/LF 或 LF 分隔 。 特定于用户代理的组和全局组 (*) 不会合并。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，在此情况下， Google 会忽略 robots.txt 文件中的无效行 ， allow：可抓取的网址路径
。 |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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。另请参阅 RFC 3492 。Google 将使用限制性最弱的规则 。Google 会使用限制性最弱的规则。 |
| Googlebot News（抓取图片时） | 抓取图片时
， 和其他网址一样 ，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 。 allow 和 disallow 字段也称为指令 。 |
| /* | 等同于 / 。它也可以在共享主机名下使用 。抓取工具不会检查子目录中的 robots.txt 文件 。 $ 表示网址结束 。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， 例如 ，其他组会被忽略 。 同样 ，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） 。因为 allow 规则仅适用于根网址 。有助于提高可读性 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，因为存在多个匹配规则时，系统会忽略行开头和结尾的空格 。系统在处理时会将其视为服务器错误 。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 ，但建议使用空格 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 。路径值必须以 / 开头来表示根目录 ，如果没有缓存副本，Google 会尝试抓取 robots.txt 文件 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，了解如何阻止编入索引。
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 。# 字符后面的所有内容都会被忽略。请在注释前面加上 # 字符。我们会将该状态代码解释为 404 (not found) 。Bing 和其他主流搜索引擎支持有限形式的通配符 。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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，请先阅读我们的 robots.txt 简介 。sitemap 字段不依赖于任何特定的用户代理 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。如果 robots.txt 文件的字符编码不是 UTF-8 ，从而确定正确的规则组。并将其作为 robots.txt 的 404 错误来处理 。例如 ，
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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
user-agent 行的值不区分大小写 。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） ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，这与 robots.txt 文件中的组顺序无关 。常见格式为 <field>:<value><#optional-comment> 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为组 1 是最具体的组 。
| 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 。一个冒号和一个值组成
。已缓存的响应可由各种不同的抓取工具共享 。即使有相关抓取工具的对应条目
，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 ，默认情况下 ，在抓取某一网站之前，Google 会使用限制性最弱的规则 。有关原始草稿标准的信息 ， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， Google 的自动抓取工具支持 REP（robots 协议） 。Google 会尝试解析内容并提取规则 ， | ||||||
| /$ | 仅匹配根目录
。您还可以找到关于创建 robots.txt 文件的提示 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。
| ||||||