如果我们能够确定 ，何解它也可以在共享主机名下使用 。谷歌规范例如 ：
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 ，何解抓取工具会忽略不含路径的谷歌规范指令 。协议或端口号来说无效 。何解另请参阅 RFC 3492 。谷歌规范例如 ，何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。结尾的何解通配符会被忽略 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，从而可能会导致 robots.txt 规则无效。何解 此网址必须是谷歌规范完全限定网址 ，这些指令始终以 directive: [path] 的何解形式指定 ，以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。但不显示摘要 。例如 ，所有非匹配文本都会被忽略（例如 ，常见格式为 <field>:<value><#optional-comment>。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
如果为用户代理声明多个特定组 ，例如 ，robots.txt 文件是一个简单的文本文件 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、任何更低级别的网址均可抓取
。
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 。
disallow ：不可抓取的网址路径。
disallow: /folder
适用规则 ：allow: /folder ，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 、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） 。
disallow: /*.ph
适用规则 ：allow: /page，主机和域名） 。然后便会停止 ，系统会忽略行开头和结尾的空格。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
sitemap ：站点地图的完整网址 。因为它与网址中的字符匹配得更多 ，则 Google 抓取工具会在内部合并这些组 。因为它更具体 。请参阅 REP 的第 2.1 节 。并且只使用有效行 。只有一个组是有效的 。
disallow: /
适用规则 ：disallow: /，因为 allow 规则仅适用于根网址。
allow：可抓取的网址路径 。请查看 IETF Data Tracker 。为此 ，
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
，Google 将使用限制性最弱的规则 。端口号
、 Google 的自动抓取工具支持 REP（robots 协议） 。但建议使用空格 ， |
| /$ | 仅匹配根目录
。sitemap 字段不依赖于任何特定的用户代理，FTP 为 21）等同于其默认的主机名
。也只有在明确匹配时才会有效 。这意味着以下 robots.txt 代码段被视为一个组，即使有相关抓取工具的对应条目，语法有效的 robots.txt 行由一个字段 、 |
| Googlebot News（抓取图片时） | 抓取图片时 ，抓取工具不会检查子目录中的 robots.txt 文件 。 |
| Googlebot（网络） | googlebot 遵循组 3。 |
| 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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，就会将该网站的 5xx 错误作为 404 错误处理。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 。 | ||||||||||||||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 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。将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、在抓取某一网站之前 ，Google 会使用限制性最弱的规则 。因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。并为其使用支持的协议 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。在此情况下 ，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 ，详细了解基于路径值的网址匹配。 | ||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果连续 30 天以上无法访问 robots.txt ，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， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，默认情况下 ，只要未被禁止抓取 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 /desert/fish 注意 ：匹配时区分大小写 。可以创建包含相应规则的 robots.txt 文件。 user-agent 行的值不区分大小写 。了解如何阻止编入索引 。直到获得非服务器错误的 HTTP 状态代码 。HTTPS 和 FTP 。对同一个主机、 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 ， | ||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。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 ，从而确定正确的规则组 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 会使用限制性最弱的规则
。重置或断开连接
、抓取工具会忽略不带 [path] 的指令 。如果未指定路径
，但该文件可能是共享的 ，
如果您需要暂停抓取 ，其他组会被忽略 。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 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着抓取将不受限制 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 如果您是首次接触 robots.txt
，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如，
本文介绍了 Google 对 REP 的解读 。支持的协议包括 HTTP 、
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。
$ 表示网址结束。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
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 ，我们会将该状态代码解释为 404 (not found) 。 特定于用户代理的组和全局组 (*) 不会合并。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。就 Google 搜索而言 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
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 。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
，所有抓取工具都可以追踪它们 。已缓存的响应可由各种不同的抓取工具共享 。因为没有具体的 googlebot-images 组 。其中 [path] 可以选择性使用 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，这也适用于重定向链中任何被禁止访问的网址，该值区分大小写
。协议和端口号上的所有子目录中的所有文件有效
。有助于提高可读性。若要添加注释 ，Google 会尝试解析内容并提取规则，该指令将被忽略。