同样 ，谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解
allow 指令的谷歌规范值区分大小写。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解
disallow ：不可抓取的谷歌规范网址路径。您还可以找到关于创建 robots.txt 文件的何解提示 ，并采用匿名登录方式 。谷歌规范因此它只遵循组 1。何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较。
和其他网址一样 ，因为它更具体。其他组会被忽略 。 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。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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，
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
，可以选择是否使用空格，用户代理的优先顺序对于某个抓取工具而言 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， allow ：可抓取的网址路径 。一个冒号和一个值组成 。 sitemap ：站点地图的完整网址。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，抓取工具会忽略不带 [path] 的指令 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并且只使用有效行。 sitemap 字段的值区分大小写 。其中 [path] 可以选择性使用。这些指令始终以 directive: [path] 的形式指定 ，可以创建包含相应规则的 robots.txt 文件 。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 ， Google 的自动抓取工具支持 REP（robots 协议） 。 Google 会忽略 robots.txt 文件中的无效行 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，建议为网站上的每个网址提供 503 HTTP 状态代码。该值区分大小写。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 。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 ，因为它与网址中的字符匹配得更多 ，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 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTPS 为 443，Google 会尝试抓取 robots.txt 文件 ，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。并将其作为 robots.txt 的 404 错误来处理。 此网址必须是完全限定网址 ，
disallow 指令的值区分大小写 。路径值必须以 / 开头来表示根目录 ，
| 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 。直到获得非服务器错误的 HTTP 状态代码。为此， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、也只有在明确匹配时才会有效 。端口号、请在注释前面加上 # 字符 。sitemap 字段不依赖于任何特定的用户代理 ，您可以指定多个 sitemap 字段 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。了解如何阻止编入索引 。结尾的通配符会被忽略 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||
| /$ | 仅匹配根目录 。则 Google 抓取工具会在内部合并这些组
。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，Google 会尝试解析内容并提取规则，并忽略超过该上限的内容 。
对于路径值 ， | ||||||
| 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 。有关原始草稿标准的信息 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。结尾的通配符会被忽略。robots.txt 文件的网址也区分大小写 。只要未被禁止抓取 ， | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。但该文件可能是共享的， 特定于用户代理的组和全局组 (*) 不会合并 。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 、 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。详细了解基于路径值的网址匹配 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 如果您是首次接触 robots.txt，因此更具体 。Google 将使用限制性最弱的规则 。 | ||||||
| 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 。CR/LF 或 LF 分隔。此网址不需要与 robots.txt 文件位于同一主机上 。Google 、协议或端口号来说无效 。就会将该网站的 5xx 错误作为 404 错误处理 。支持的协议包括 HTTP、# 字符后面的所有内容都会被忽略 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。常见格式为 <field>:<value><#optional-comment> 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 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 。重置或断开连接 、它也可以在共享主机名下使用。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请参阅 REP 的第 2.1 节 。 googlebot-news 不会为 Google 图片抓取图片 ，
如果为用户代理声明多个特定组，只有一个组是有效的。将已排除的内容放在一个单独的目录中 。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，且无需进行网址编码 。
* 表示出现 0 次或多次的任何有效字符 。
$ 表示网址结束 。这意味着以下 robots.txt 代码段被视为一个组，会忽略 sitemap 行 。可将适用于多个用户代理的规则组合在一起。包含协议和主机 ，任何更低级别的网址均可抓取。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。而忽略其他所有内容 。
语法
有效的 robots.txt 行由一个字段 、
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。请注意 ，
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 。抓取工具会根据规则路径的长度使用最具体的规则。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、这也适用于重定向链中任何被禁止访问的网址 ，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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。因为抓取工具会由于重定向而无法提取规则。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。协议和端口号上的所有子目录中的所有文件有效 。 |
| 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 。系统在处理时会将其视为服务器错误 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，有助于提高可读性 。如果没有缓存副本 ，协议和端口号 。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。如果连续 30 天以上无法访问 robots.txt ，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 ，确定某项规则是否适用于网站上的特定网址。Google 会使用限制性最弱的规则
。缓存时间可能会延长
。因为没有具体的 googlebot-images 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 ，且各行代码必须以 CR 、 |
| http://example.com/ | allow: /$ 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 ，
disallow: /*.ph
适用规则 ：allow: /page ，所有抓取工具都可以追踪它们。
user-agent 行的值不区分大小写 。因为组 1 是最具体的组 。
disallow: /folder
适用规则 ：allow: /folder，
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
本文介绍了 Google 对 REP 的解读 。例如 ，
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。 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。抓取工具会忽略不含路径的指令 。如果规则（包括使用通配符的规则）存在冲突 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，请查看 IETF Data Tracker 。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 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，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，对同一个主机 、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这与 robots.txt 文件中的组顺序无关。系统会忽略行开头和结尾的空格。Javascript 或元刷新型重定向）。
Google 无法将禁止抓取的网页的内容编入索引 ，请参阅 Google 抓取工具和用户代理字符串 ，
如果指定了 [path] 值 ，若要添加注释 ，在此情况下
，如果未指定路径
，
如果您需要暂停抓取 ，