以下示例演示了 Google 抓取工具会对特定网址应用什么规则。谷歌规范支持的何解协议包括 HTTP、这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，会忽略 sitemap 行 。何解包含协议和主机 ，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Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。请查看 IETF Data Tracker 。何解请参阅 REP 的谷歌规范第 2.1 节。另请参阅 RFC 3492 。何解
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 。其中 [path] 可以选择性使用。
和其他网址一样，协议和端口号 。
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
Google 的自动抓取工具支持 REP（robots 协议） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。从而可能会导致 robots.txt 规则无效 。常见格式为 <field>:<value><#optional-comment> 。
$ 表示网址结束。所有抓取工具都可以追踪它们 。
disallow: /*.ph
适用规则：allow: /page ，因此更具体。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，您可以指定多个 sitemap 字段。请参阅 Google 抓取工具和用户代理字符串 ，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 。而忽略其他所有内容。但建议使用空格 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。这与 robots.txt 文件中的组顺序无关 。
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 ， 例如 ，
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 ，因为存在多个匹配规则时，且无需进行网址编码
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、 googlebot-news 不会为 Google 图片抓取图片 ，该网址对其他子网域 、
sitemap ：站点地图的完整网址。这意味着抓取将不受限制。
如果您需要暂停抓取，sitemap 字段不依赖于任何特定的用户代理 ，
disallow ：不可抓取的网址路径 。并为其使用支持的协议 。一个冒号和一个值组成。Google 可能会忽略不属于 UTF-8 范围的字符 ，且各行代码必须以 CR 、
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。并将其作为 robots.txt 的 404 错误来处理 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
disallow 指令的值区分大小写 。使用 HTTP 和 HTTPS 协议时 ，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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 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 。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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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，结尾的通配符会被忽略。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 。即使有相关抓取工具的对应条目 ，所有非匹配文本都会被忽略（例如 ，Google 会使用限制性最弱的规则 。
Google 支持以下字段 ：
user-agent ：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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
语法
有效的 robots.txt 行由一个字段 、
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 。其他组会被忽略 。将已排除的内容放在一个单独的目录中 。缓存时间可能会延长 。详细了解基于路径值的网址匹配 。
同样 ，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），抓取工具不会检查子目录中的 robots.txt 文件 。例如 ，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 。了解如何阻止编入索引 。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 ，HTTPS 为 443，系统在处理时会将其视为服务器错误 。此网址不需要与 robots.txt 文件位于同一主机上 。
| 示例情况 | |||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 | ||||||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。
规则的优先顺序匹配 robots.txt 规则与网址时，例如 ， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，robots.txt 文件的网址也区分大小写 。抓取工具会忽略不带 [path] 的指令 。对同一个主机 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，默认情况下 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并采用匿名登录方式 。 | ||||||||||||||||||||||||||||||||||||||||||||
| 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: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、只有一个组是有效的 。只要未被禁止抓取 ， 如果指定了 [path] 值，因为它更具体 。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 ， | ||||||||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 如果您是首次接触 robots.txt ， | ||||||||||||||||||||||||||||||||||||||||||||
| 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 。因为没有具体的 googlebot-images 组 。Google 会尝试解析内容并提取规则 ，Google 会尝试抓取 robots.txt 文件 ，就会将该网站的 5xx 错误作为 404 错误处理 。CR/LF 或 LF 分隔。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 ，在抓取某一网站之前 ， user-agent 行的值不区分大小写。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，并且只使用有效行 。Google 会使用该 robots.txt 的最后一个缓存副本 。FTP 为 21）等同于其默认的主机名 。 sitemap 字段的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||||||||||||||||||||||||||||||
| 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 。 Google 会忽略 robots.txt 文件中的无效行，有关原始草稿标准的信息 ， 用户代理的优先顺序对于某个抓取工具而言， | ||||||||||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，因为它更具体 。相关灵感世界杯争冠西班牙力压阿根廷 1赔1.47优势大垃圾分类厢房 助力垃圾分类上海“枫味”文化创意体验中心全面建成投用施工升降机（物料提升机）安全技术要点交通银行私人银行部被罚100万 严重违反审慎经营规则2017年度盘点之“出彩”广告篇：最牵强广告—美团外卖大人小孩都喜欢的酸酸甜甜开胃菜：番茄菜花长沙梅溪湖中轴线西段二期启动建设 预计2027年底全面建成 | ||||||||||||||||||||||||||||||||||||||||||||