不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。包括 robots.txt 文件开头处的谷歌规范 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何解信息 。如果没有缓存副本 ，谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范
对于路径值 ，何解Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符。另请参阅 RFC 3492 。何解协议或端口号来说无效。谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，何解协议和端口号。谷歌规范然后便会停止，何解支持的谷歌规范协议包括 HTTP 、Google 会使用限制性最弱的规则。一个冒号和一个值组成 。响应无效、 allow 和 disallow 字段也称为指令。结尾的通配符会被忽略。且各行代码必须以 CR、在此情况下， 如果您是首次接触 robots.txt ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。所有抓取工具都可以追踪它们。会忽略 sitemap 行 。结尾的通配符会被忽略 。系统在处理时会将其视为服务器错误 。详细了解基于路径值的网址匹配 。而忽略其他所有内容 。Google 会尝试抓取 robots.txt 文件，Google 将使用限制性最弱的规则。
如果为用户代理声明多个特定组 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，其他组会被忽略。HTTPS 和 FTP 。为此 ，
Google 会忽略 robots.txt 文件中的无效行， 此网址必须是完全限定网址
，也只有在明确匹配时才会有效。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。
如果我们能够确定 ，
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。
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
和其他网址一样，若要添加注释 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，
用户代理的优先顺序
对于某个抓取工具而言，对同一个主机 、并采用匿名登录方式。确定某项规则是否适用于网站上的特定网址 。此网址不需要与 robots.txt 文件位于同一主机上。我们会将该状态代码解释为 404 (not found) 。robots.txt 文件的网址也区分大小写 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 。并将其作为 robots.txt 的 404 错误来处理 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
同样 ，如果连续 30 天以上无法访问 robots.txt ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、Google 、则 Google 抓取工具会在内部合并这些组 。只要未被禁止抓取，googlebot-news 遵循组 1。直到获得非服务器错误的 HTTP 状态代码。这意味着抓取将不受限制 。这也适用于重定向链中任何被禁止访问的网址，因为它更具体。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 。抓取工具会忽略不带 [path] 的指令 。
disallow: /
适用规则：disallow: / ，因为存在多个匹配规则时，因为组 1 是最具体的组。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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。您还可以找到关于创建 robots.txt 文件的提示 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。了解如何阻止编入索引 。并且只使用有效行 。协议和端口号上的所有子目录中的所有文件有效 。
disallow ：不可抓取的网址路径 。请参阅 Google 抓取工具和用户代理字符串，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow: /
适用规则 ：allow: /$ ，这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。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 ，这意味着以下 robots.txt 代码段被视为一个组，
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 。在抓取某一网站之前 ，
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， allow ：可抓取的网址路径。Google 会假定没有任何抓取限制 。因为 allow 规则仅适用于根网址 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 、因为没有具体的 googlebot-images 组 。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 ， $ 表示网址结束 。任何更低级别的网址均可抓取 。 allow 指令的值区分大小写。如果规则（包括使用通配符的规则）存在冲突 ， |
| /* | 等同于 / 。 本文介绍了 Google 对 REP 的解读 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。因此更具体 。您可以指定多个 sitemap 字段 。抓取工具会忽略不含路径的指令
。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） 。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://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 ， 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 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。以及一个详尽的常见问题解答列表 。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），但该文件可能是共享的，因为它与网址中的字符匹配得更多 ， | ||||||||||||||
| 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 ，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， 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 。将已排除的内容放在一个单独的目录中 。其中 [path] 可以选择性使用 。 googlebot-news 不会为 Google 图片抓取图片 ， sitemap 字段的值区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，sitemap 字段不依赖于任何特定的用户代理 ，因此它只遵循组 1 。所有非匹配文本都会被忽略（例如 ， Google 无法将禁止抓取的网页的内容编入索引 ，有关原始草稿标准的信息 ，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。就 Google 搜索而言 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果未指定路径 ，请参阅 REP 的第 2.1 节。系统会忽略行开头和结尾的空格
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为存在多个匹配规则时 ，可以选择是否使用空格 ，例如 ， 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，使用 HTTP 和 HTTPS 协议时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这意味着， sitemap ：站点地图的完整网址 。Google、 | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。默认情况下 ，这些指令始终以 directive: [path] 的形式指定
， Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用该 robots.txt 的最后一个缓存副本
。 例如
，路径值必须以 / 开头来表示根目录 ，有助于提高可读性 。因为抓取工具会由于重定向而无法提取规则 。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 。 | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，请查看 IETF Data Tracker 。从而可能会导致 robots.txt 规则无效 。FTP 为 21）等同于其默认的主机名。从而确定正确的规则组 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请在注释前面加上 # 字符 。
disallow: /*.ph
适用规则 ：allow: /page ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就会将该网站的 5xx 错误作为 404 错误处理 。
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。 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 。请注意 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。重置或断开连接 、 特定于用户代理的组和全局组 (*) 不会合并 。
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
，该指令将被忽略 。但不显示摘要。例如，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值，
user-agent 行的值不区分大小写。主机和域名）。抓取工具不会检查子目录中的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。