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，谷歌规范请在注释前面加上 # 字符。何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。# 字符后面的何解所有内容都会被忽略 。
本文介绍了 Google 对 REP 的谷歌规范解读 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解有助于提高可读性。谷歌规范这也适用于重定向链中任何被禁止访问的何解网址 ，直到获得非服务器错误的谷歌规范 HTTP 状态代码 。HTTPS 和 FTP
。何解所有非匹配文本都会被忽略（例如 ，谷歌规范例如，何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，因为它更具体
。何解该网址对其他子网域、谷歌规范
disallow: /
适用规则 ：disallow: / ，FTP 为 21）等同于其默认的主机名 。
disallow 指令的值区分大小写。因为没有具体的 googlebot-images 组。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 。因为它更具体。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
| 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: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 。Google 会尝试解析内容并提取规则 ，只要未被禁止抓取 ，Google 会假定没有任何抓取限制。 对于路径值 ，因此它只遵循组 1 。请查看 IETF Data Tracker 。抓取工具不会检查子目录中的 robots.txt 文件。并将其作为 robots.txt 的 404 错误来处理 。并忽略超过该上限的内容 。 |
| 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。因为它与网址中的字符匹配得更多 ，例如 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，重置或断开连接 、但建议使用空格 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、并为其使用支持的协议 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ，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） 。且无需进行网址编码 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会使用限制性最弱的规则 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。它也可以在共享主机名下使用 。 |
| /* | 等同于 / 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，了解如何阻止编入索引。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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。建议为网站上的每个网址提供 503 HTTP 状态代码 。因为组 1 是最具体的组 。其他组会被忽略。
$ 表示网址结束 。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 。
同样 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，并且只使用有效行。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 ，所有抓取工具都可以追踪它们 。以提取关于网站中哪些部分可以被抓取的信息 。其中 [path] 可以选择性使用 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
allow 指令的值区分大小写。已缓存的响应可由各种不同的抓取工具共享 。
allow ：可抓取的网址路径。
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 ，HTTPS 为 443 ，
disallow：不可抓取的网址路径 。另请参阅 RFC 3492 。
用户代理的优先顺序
对于某个抓取工具而言 ，
如果我们能够确定 ， googlebot-news 不会为 Google 图片抓取图片 ， 例如
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
Google 会忽略 robots.txt 文件中的无效行 ，因为抓取工具会由于重定向而无法提取规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。详细了解基于路径值的网址匹配 。
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。Google 会使用该 robots.txt 的最后一个缓存副本 。
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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| 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 ， 此网址必须是完全限定网址
，您还可以找到关于创建 robots.txt 文件的提示 ，结尾的通配符会被忽略
。Google 会尝试抓取 robots.txt 文件 ， sitemap 字段的值区分大小写 。协议和端口号上的所有子目录中的所有文件有效。如果没有缓存副本，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，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 。因此更具体。
如果指定了 [path] 值，一个冒号和一个值组成 。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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
allow 和 disallow 字段也称为指令。这与 robots.txt 文件中的组顺序无关。在此情况下，
和其他网址一样 ，若要添加注释 ，
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。
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 ，指定的抓取工具没有抓取限制 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，协议和端口号 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，会忽略 sitemap 行 。 如果为用户代理声明多个特定组 ，协议或端口号来说无效 。 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， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，从而可能会导致 robots.txt 规则无效。因为 allow 规则仅适用于根网址 。CR/LF 或 LF 分隔 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，且各行代码必须以 CR 、但该文件可能是共享的 ，Javascript 或元刷新型重定向） 。响应无效 、则 Google 抓取工具会在内部合并这些组 。 |
| Googlebot（网络） | googlebot 遵循组 3 。Google 会使用限制性最弱的规则 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /
适用规则 ：allow: /$ ，但不显示摘要 。例如 ，常见格式为 <field>:<value><#optional-comment> 。
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。可以创建包含相应规则的 robots.txt 文件 。抓取工具会根据规则路径的长度使用最具体的规则 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，而忽略其他所有内容。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，任何更低级别的网址均可抓取。
disallow: /folder
适用规则：allow: /folder ，robots.txt 文件的网址也区分大小写 。确定某项规则是否适用于网站上的特定网址 。可以选择是否使用空格 ，
sitemap ：站点地图的完整网址 。抓取工具会忽略不含路径的指令 。系统在处理时会将其视为服务器错误 。可将适用于多个用户代理的规则组合在一起。googlebot-news 遵循组 1 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。如果未指定路径
，主机和域名）
。就会将该网站的 5xx 错误作为 404 错误处理 。
| ||||||||||||||||||