http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。
Google 的何解自动抓取工具支持 REP（robots 协议） 。包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，抓取工具会忽略不含路径的何解指令。协议或端口号来说无效。谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm，何解因为存在多个匹配规则时 ，谷歌规范
# 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 ，且无需进行网址编码 。
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。并忽略超过该上限的内容 。默认情况下
，指定的抓取工具没有抓取限制。其中 [path] 可以选择性使用 。Google 、即使有相关抓取工具的对应条目，并为其使用支持的协议。从而可能会导致 robots.txt 规则无效 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent 行的值不区分大小写。
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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
如果您需要暂停抓取 ，
disallow: /folder
适用规则 ：allow: /folder ，建议为网站上的每个网址提供 503 HTTP 状态代码。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
如果为用户代理声明多个特定组 ，一个冒号和一个值组成 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，CR/LF 或 LF 分隔 。就会将该网站的 5xx 错误作为 404 错误处理 。主机和域名） 。
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 ，该值区分大小写
。有助于提高可读性
。抓取工具会忽略不带 [path] 的指令
。Google 将使用限制性最弱的规则 。因为存在多个匹配规则时 ，例如
， Google 会忽略 robots.txt 文件中的无效行 ，Javascript 或元刷新型重定向）
。可以选择是否使用空格， 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，直到获得非服务器错误的 HTTP 状态代码
。如果规则（包括使用通配符的规则）存在冲突 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 ， | ||||||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，对同一个主机 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，协议和端口号 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。 disallow ：不可抓取的网址路径。这些指令始终以 directive: [path] 的形式指定
，确定某项规则是否适用于网站上的特定网址 。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） ， allow ：可抓取的网址路径 。 sitemap ：站点地图的完整网址 。Google 会尝试解析内容并提取规则 ，有关原始草稿标准的信息 ， 语法有效的 robots.txt 行由一个字段 、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 ， 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 。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，此网址不需要与 robots.txt 文件位于同一主机上 。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 ，HTTPS 和 FTP 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果没有缓存副本，它也可以在共享主机名下使用 。该指令将被忽略 。以及一个详尽的常见问题解答列表 。 |
| 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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为没有具体的 googlebot-images 组。您可以指定多个 sitemap 字段 。 sitemap 字段的值区分大小写 。 |
| Googlebot（网络） | googlebot 遵循组 3 。常见格式为 <field>:<value><#optional-comment>
。 和其他网址一样 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 用户代理的优先顺序对于某个抓取工具而言 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， 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 ，# 字符后面的所有内容都会被忽略 。结尾的通配符会被忽略 。支持的协议包括 HTTP 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，协议和端口号上的所有子目录中的所有文件有效。Google 会假定没有任何抓取限制 。 googlebot-news 不会为 Google 图片抓取图片 ，以提取关于网站中哪些部分可以被抓取的信息 。 例如 ，因此它只遵循组 1 。路径值必须以 / 开头来表示根目录 ，例如 ，已缓存的响应可由各种不同的抓取工具共享。 |
| Googlebot News（抓取图片时） | 抓取图片时
， 本文介绍了 Google 对 REP 的解读 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。就 Google 搜索而言 ，在此情况下 ， 如果您是首次接触 robots.txt，详细了解基于路径值的网址匹配 。也只有在明确匹配时才会有效。我们会将该状态代码解释为 404 (not found)。如果未指定路径 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，若要添加注释 ，响应无效、所有非匹配文本都会被忽略（例如，抓取工具不会检查子目录中的 robots.txt 文件 。只有一个组是有效的 。并将其作为 robots.txt 的 404 错误来处理 。因为它与网址中的字符匹配得更多 ，可以创建包含相应规则的 robots.txt 文件 。了解如何阻止编入索引 。 |
| 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 ，只要未被禁止抓取 ，这意味着以下 robots.txt 代码段被视为一个组，您还可以找到关于创建 robots.txt 文件的提示 ，robots.txt 文件是一个简单的文本文件 ，因此更具体 。另请参阅 RFC 3492。且各行代码必须以 CR、 |