Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引 ，这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。这与 robots.txt 文件中的何解组顺序无关 。只要未被禁止抓取，谷歌规范Google 会使用限制性最弱的何解规则 。robots.txt 文件的谷歌规范网址也区分大小写 。
allow ：可抓取的何解网址路径 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。端口号 、可以创建包含相应规则的 robots.txt 文件 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ， 如果您是首次接触 robots.txt ， Google 会忽略 robots.txt 文件中的无效行 ，路径值必须以 / 开头来表示根目录 ，因为存在多个匹配规则时，因为存在多个匹配规则时， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，我们会将该状态代码解释为 404 (not found) 。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 。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 ，可以选择是否使用空格 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
sitemap 字段的值区分大小写。
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
，且各行代码必须以 CR 、Google、 disallow ：不可抓取的网址路径。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为它更具体 。并忽略超过该上限的内容 。协议和端口号上的所有子目录中的所有文件有效 。HTTPS 和 FTP 。抓取工具不会检查子目录中的 robots.txt 文件。抓取工具会忽略不含路径的指令 。
allow 指令的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。重置或断开连接 、
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，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 、所有非匹配文本都会被忽略（例如 ，系统在处理时会将其视为服务器错误 。对同一个主机 、请注意 ，已缓存的响应可由各种不同的抓取工具共享 。另请参阅 RFC 3492 。googlebot-news 遵循组 1 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
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 。只有一个组是有效的 。Google 会尝试抓取 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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、指定的抓取工具没有抓取限制 。
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
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 ， 此网址必须是完全限定网址 ，
同样 ，并采用匿名登录方式 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt ，系统会忽略行开头和结尾的空格 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，该网址对其他子网域、
如果我们能够确定
，
语法
有效的 robots.txt 行由一个字段 、
$ 表示网址结束。抓取工具会根据规则路径的长度使用最具体的规则
。这也适用于重定向链中任何被禁止访问的网址 ，将已排除的内容放在一个单独的目录中。但可能仍会将其网址编入索引并将其显示在搜索结果中
，
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
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， googlebot-news 不会为 Google 图片抓取图片 ，因为 allow 规则仅适用于根网址。
如果指定了 [path] 值 ，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。使用 HTTP 和 HTTPS 协议时 ，该指令将被忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，您可以指定多个 sitemap 字段。请在注释前面加上 # 字符 。这意味着以下 robots.txt 代码段被视为一个组 ，主机和域名） 。sitemap 字段不依赖于任何特定的用户代理 ，请参阅 REP 的第 2.1 节 。
对于路径值 ，# 字符后面的所有内容都会被忽略 。但不显示摘要 。该值区分大小写 。
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 。
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 。Javascript 或元刷新型重定向） 。并且只使用有效行 。会忽略 sitemap 行 。
disallow: /
适用规则 ：disallow: / ，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 。就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
sitemap：站点地图的完整网址 。以及一个详尽的常见问题解答列表 。任何更低级别的网址均可抓取。Google 将使用限制性最弱的规则 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因此它只遵循组 1。
disallow: /folder
适用规则 ：allow: /folder ，
如果您需要暂停抓取 ， 特定于用户代理的组和全局组 (*) 不会合并 。直到获得非服务器错误的 HTTP 状态代码 。
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 。也只有在明确匹配时才会有效 。此网址不需要与 robots.txt 文件位于同一主机上 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果没有缓存副本 ，
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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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。并为其使用支持的协议 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具会忽略不带 [path] 的指令 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略 。您还可以找到关于创建 robots.txt 文件的提示 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
allow 和 disallow 字段也称为指令 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、支持的协议包括 HTTP 、
disallow: /*.ph
适用规则 ：allow: /page，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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，其中 [path] 可以选择性使用 。在此情况下 ，详细了解基于路径值的网址匹配 。FTP 为 21）等同于其默认的主机名 。例如 ，即使有相关抓取工具的对应条目 ，但建议使用空格 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 ，
如果为用户代理声明多个特定组 ，
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 。如果未指定路径 ，协议和端口号 。Google 、因此更具体 。因为没有具体的 googlebot-images 组。为此 ，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） 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
用户代理的优先顺序
对于某个抓取工具而言 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，它也可以在共享主机名下使用 。
disallow 指令的值区分大小写 。例如 ，
本文介绍了 Google 对 REP 的解读 。
| 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 。 | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，有助于提高可读性 。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 ，如果规则（包括使用通配符的规则）存在冲突 ，结尾的通配符会被忽略 。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，
| ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。一个冒号和一个值组成 。 | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。这意味着，