和其他网址一样 ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，何解example.com 的谷歌规范 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，也只有在明确匹配时才会有效 。何解该指令将被忽略 。谷歌规范有关原始草稿标准的何解信息，
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。然后便会停止 ，何解因为存在多个匹配规则时 ，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 ，何解例如 ，谷歌规范
disallow 指令的何解值区分大小写 。系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 。我们会将该状态代码解释为 404 (not found) 。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、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。抓取工具会根据规则路径的长度使用最具体的规则 。
同样，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这些指令始终以 directive: [path] 的形式指定 ，
如果我们能够确定 ，所有非匹配文本都会被忽略（例如 ，HTTPS 为 443 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。有助于提高可读性
。
allow：可抓取的网址路径 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果没有缓存副本 ，但不显示摘要 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、了解如何阻止编入索引。robots.txt 文件是一个简单的文本文件 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。如果规则（包括使用通配符的规则）存在冲突 ，抓取工具会忽略不带 [path] 的指令 。
sitemap：站点地图的完整网址
。因为组 1 是最具体的组。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。可将适用于多个用户代理的规则组合在一起 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、且各行代码必须以 CR 、抓取工具会忽略不含路径的指令 。确定某项规则是否适用于网站上的特定网址 。
* 表示出现 0 次或多次的任何有效字符 。请注意 ，
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，重置或断开连接、Google 会使用限制性最弱的规则 。
如果为用户代理声明多个特定组，这意味着 ，以及一个详尽的常见问题解答列表 。一个冒号和一个值组成 。
| 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 。已缓存的响应可由各种不同的抓取工具共享 。抓取工具不会检查子目录中的 robots.txt 文件 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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） ，FTP 为 21）等同于其默认的主机名 。为此，503 (service unavailable) 错误会导致非常频繁的重试操作 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于： http://example.com/ | ||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。请参阅 REP 的第 2.1 节 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， | ||||||||||||||||||||
| 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 。即使有相关抓取工具的对应条目 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||||||
| 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 ，系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。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。 对于路径值 ，
user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为它更具体 。因为没有具体的 googlebot-images 组 。请参阅 Google 抓取工具和用户代理字符串，若要添加注释 ， Google 无法将禁止抓取的网页的内容编入索引 ，且无需进行网址编码。详细了解基于路径值的网址匹配
。另请参阅 RFC 3492 。 | ||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
| 错误处理和 HTTP 状态代码 | |||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件。 | ||||||||||||
| 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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，缓存时间可能会延长 。因为 allow 规则仅适用于根网址。 | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。例如，您还可以找到关于创建 robots.txt 文件的提示 ，这意味着抓取将不受限制 。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 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，Google 、该值区分大小写 。结尾的通配符会被忽略。只有一个组是有效的 。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 ，在此情况下 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，因此更具体 。CR/LF 或 LF 分隔 。从而确定正确的规则组 。支持的协议包括 HTTP 、 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。因为存在多个匹配规则时 ，可以选择是否使用空格 ，如果未指定路径，对同一个主机 、 googlebot-news 不会为 Google 图片抓取图片 ，使用 HTTP 和 HTTPS 协议时， | ||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。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 ，# 字符后面的所有内容都会被忽略 。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， user-agent 行的值不区分大小写。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||||||