同样 ，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 。则 Google 抓取工具会在内部合并这些组 。谷歌规范请查看 IETF Data Tracker 。何解若要添加注释 ，谷歌规范您可以指定多个 sitemap 字段。何解抓取工具会忽略不含路径的谷歌规范指令 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。下面说明了抓取工具如何理解之前的何解 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，响应无效 、谷歌规范默认情况下，何解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 ，
对于路径值 ，
如果指定了 [path] 值 ，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。确定某项规则是否适用于网站上的特定网址 。包含协议和主机，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。HTTPS 为 443 ，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 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果为用户代理声明多个特定组 ，
Google 无法将禁止抓取的网页的内容编入索引 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为它更具体 。直到获得非服务器错误的 HTTP 状态代码 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，就会将该网站的 5xx 错误作为 404 错误处理 。Google 会尝试解析内容并提取规则，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。这与 robots.txt 文件中的组顺序无关 。
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，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并忽略超过该上限的内容 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
如果您需要暂停抓取 ，但该文件可能是共享的 ，从而确定正确的规则组 。该值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，
Google 会忽略 robots.txt 文件中的无效行 ，且无需进行网址编码 。以提取关于网站中哪些部分可以被抓取的信息。Google 会尝试抓取 robots.txt 文件，
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
，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 ，只要未被禁止抓取 ， |
| 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， sitemap ：站点地图的完整网址 。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、这意味着以下 robots.txt 代码段被视为一个组 ， 用户代理的优先顺序对于某个抓取工具而言 ， |
| Googlebot News（抓取图片时） | 抓取图片时
， robots.txt 文件中列出的规则只适用于该文件所在的主机
、Google 、并将其作为 robots.txt 的 404 错误来处理 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，对同一个主机、
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 。此网址不需要与 robots.txt 文件位于同一主机上 。
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
| 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。路径值必须以 / 开头来表示根目录， | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，robots.txt 文件是一个简单的文本文件 ，结尾的通配符会被忽略 。可以创建包含相应规则的 robots.txt 文件 。 sitemap 字段的值区分大小写 。例如 ，并且只使用有效行 。我们会将该状态代码解释为 404 (not found) 。可以选择是否使用空格 ， | ||||||||||||||
| /$ | 仅匹配根目录 。语法有效的 robots.txt 行由一个字段 、一个冒号和一个值组成。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 ， 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。因此它只遵循组 1。因为 allow 规则仅适用于根网址。请在注释前面加上 # 字符 。从而可能会导致 robots.txt 规则无效 。 disallow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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， 本文介绍了 Google 对 REP 的解读。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、可将适用于多个用户代理的规则组合在一起 。 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，建议为网站上的每个网址提供 503 HTTP 状态代码 。有关原始草稿标准的信息 ， | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， allow ：可抓取的网址路径 。 user-agent 行的值不区分大小写 。系统在处理时会将其视为服务器错误。 如果您是首次接触 robots.txt ，请参阅 Google 抓取工具和用户代理字符串 ，以及一个详尽的常见问题解答列表。 | ||||||||||||||
| /* | 等同于 / 。因为它更具体 。因为它与网址中的字符匹配得更多 ，robots.txt 文件的网址也区分大小写 。但不显示摘要 。如果规则（包括使用通配符的规则）存在冲突
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，缓存时间可能会延长 。 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。然后便会停止 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时 ， 此网址必须是完全限定网址 ， | ||||||||||||||
| /fish* | 等同于 /fish
。为此，抓取工具会忽略不带 [path] 的指令 。 Google 的自动抓取工具支持 REP（robots 协议）。该指令将被忽略 。 例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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） ，
| ||||||||||||||