和其他网址一样 ，谷歌规范某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，
如果我们能够确定 ，谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。example.com 的谷歌规范 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 ，何解
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 ，指定的何解抓取工具没有抓取限制 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范Google 将使用限制性最弱的何解规则 。如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，确定某项规则是何解否适用于网站上的特定网址。HTTPS 为 443 ，谷歌规范
user-agent 行的值不区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引
，其他组会被忽略。请先阅读我们的 robots.txt 简介 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，以提取关于网站中哪些部分可以被抓取的信息 。如果未指定路径
，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）
，
disallow: /
适用规则 ：allow: /$ ，但该文件可能是共享的 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，另请参阅 RFC 3492。抓取工具不会检查子目录中的 robots.txt 文件。在抓取某一网站之前 ，因为 allow 规则仅适用于根网址 。
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
disallow 指令的值区分大小写 。
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 。因为组 1 是最具体的组 。从而可能会导致 robots.txt 规则无效 。sitemap 字段不依赖于任何特定的用户代理 ，请在注释前面加上 # 字符 。
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，
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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
Google 会忽略 robots.txt 文件中的无效行 ，
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。
Google 的自动抓取工具支持 REP（robots 协议） 。因为存在多个匹配规则时 ，其中 [path] 可以选择性使用 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以及一个详尽的常见问题解答列表 。 此网址必须是完全限定网址 ，
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> 。
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 ，协议和端口号上的所有子目录中的所有文件有效 。有关原始草稿标准的信息 ，主机和域名） 。因此更具体 。且各行代码必须以 CR 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。协议和端口号 。这意味着以下 robots.txt 代码段被视为一个组 ， 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 。
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
。可以选择是否使用空格 ，因为它更具体
。robots.txt 文件是一个简单的文本文件 ，已缓存的响应可由各种不同的抓取工具共享 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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。系统在处理时会将其视为服务器错误 。例如 ，并且只使用有效行 。这与 robots.txt 文件中的组顺序无关 。
对于路径值 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因为存在多个匹配规则时，503 (service unavailable) 错误会导致非常频繁的重试操作 。Bing 和其他主流搜索引擎支持有限形式的通配符 。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 。默认情况下 ，
不适用于 ： http://example.com/
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 。
sitemap ：站点地图的完整网址 。端口号 、从而确定正确的规则组 。
如果指定了 [path] 值 ，了解如何阻止编入索引 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。有助于提高可读性 。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）。结尾的通配符会被忽略 。所有抓取工具都可以追踪它们 。因为抓取工具会由于重定向而无法提取规则 。直到获得非服务器错误的 HTTP 状态代码 。
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 ，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 ， googlebot-news 不会为 Google 图片抓取图片 ，这也适用于重定向链中任何被禁止访问的网址 ，若要添加注释 ，FTP 为 21）等同于其默认的主机名 。CR/LF 或 LF 分隔 。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 ，例如 ，它也可以在共享主机名下使用 。
sitemap 字段的值区分大小写 。而忽略其他所有内容 。 特定于用户代理的组和全局组 (*) 不会合并 。如果没有缓存副本，
allow 指令的值区分大小写 。我们会将该状态代码解释为 404 (not found) 。请注意 ，可以创建包含相应规则的 robots.txt 文件 。且无需进行网址编码 。如果下载的内容是 Html 格式而非 robots.txt 规则，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，系统会忽略行开头和结尾的空格 。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 ，
disallow: /*.ph
适用规则 ：allow: /page ，您还可以找到关于创建 robots.txt 文件的提示 ，重置或断开连接 、
allow 和 disallow 字段也称为指令 。抓取工具会根据规则路径的长度使用最具体的规则。因此它只遵循组 1。
allow ：可抓取的网址路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 会假定没有任何抓取限制 。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 。
| 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 。 本文介绍了 Google 对 REP 的解读。使用 HTTP 和 HTTPS 协议时 ，例如 ，Google 会尝试抓取 robots.txt 文件，Google 、如果连续 30 天以上无法访问 robots.txt ，但建议使用空格 ， 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，Javascript 或元刷新型重定向） 。请参阅 REP 的第 2.1 节 。响应无效 、 | ||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。可将适用于多个用户代理的规则组合在一起 。 语法有效的 robots.txt 行由一个字段 、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些指令始终以 directive: [path] 的形式指定， 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 。详细了解基于路径值的网址匹配 。Google 会使用限制性最弱的规则 。一个冒号和一个值组成 。该网址对其他子网域 、因为没有具体的 googlebot-images 组 。则 Google 抓取工具会在内部合并这些组 。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 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 disallow ：不可抓取的网址路径 。googlebot-news 遵循组 1。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。
| ||||||||||||||||||||||||||||