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谷歌规范规则组：
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 ：
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 ，何解
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。下面说明了抓取工具如何理解之前的谷歌规范 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 ，重置或断开连接 、何解
同样 ，何解则 Google 抓取工具会在内部合并这些组 。谷歌规范
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，请参阅 REP 的何解第 2.1 节 。503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作。 特定于用户代理的组和全局组 (*) 不会合并 。
disallow: /*.ph
适用规则 ：allow: /page ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。以提取关于网站中哪些部分可以被抓取的信息 。因为 allow 规则仅适用于根网址 。
allow 指令的值区分大小写 。HTTPS 为 443，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，并将其作为 robots.txt 的 404 错误来处理 。主机和域名） 。因为它与网址中的字符匹配得更多 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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 ，
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 。您可以指定多个 sitemap 字段 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。使用 HTTP 和 HTTPS 协议时 ，
* 表示出现 0 次或多次的任何有效字符 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
Google 无法将禁止抓取的网页的内容编入索引，响应无效 、如果没有缓存副本 ，端口号 、 此网址必须是完全限定网址 ，例如 ，因此更具体 。而忽略其他所有内容。 如果您是首次接触 robots.txt ，
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。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。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。
disallow: /
适用规则 ：disallow: / ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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） ，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 ，从而可能会导致 robots.txt 规则无效 。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 ，并忽略超过该上限的内容。从而确定正确的规则组 。有助于提高可读性。并且只使用有效行。一个冒号和一个值组成 。可以选择是否使用空格 ，
如果为用户代理声明多个特定组 ，它也可以在共享主机名下使用
。并采用匿名登录方式
。请参阅 Google 抓取工具和用户代理字符串，确定某项规则是否适用于网站上的特定网址 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，# 字符后面的所有内容都会被忽略。就 Google 搜索而言 ，因为组 1 是最具体的组
。就会将该网站的 5xx 错误作为 404 错误处理。默认情况下，
如果您需要暂停抓取 ，
Google 会忽略 robots.txt 文件中的无效行 ，直到获得非服务器错误的 HTTP 状态代码。因此它只遵循组 1 。
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。
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，所有非匹配文本都会被忽略（例如， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，但该文件可能是共享的 ，该网址对其他子网域 、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，会忽略 sitemap 行 。了解如何阻止编入索引 。 | ||||||||||||||
| 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 ， $ 表示网址结束。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，为此，并为其使用支持的协议 。Google 会假定没有任何抓取限制。robots.txt 文件是一个简单的文本文件 ， Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具会忽略不含路径的指令 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Javascript 或元刷新型重定向） 。如果 robots.txt 文件的字符编码不是 UTF-8 ， 本文介绍了 Google 对 REP 的解读 。抓取工具不会检查子目录中的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起 。如果未指定路径 ，这也适用于重定向链中任何被禁止访问的网址，包含协议和主机 ，协议或端口号来说无效 。 googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会根据规则路径的长度使用最具体的规则 。请查看 IETF Data Tracker 。 disallow ：不可抓取的网址路径 。可以创建包含相应规则的 robots.txt 文件 。 user-agent 行的值不区分大小写 。任何更低级别的网址均可抓取。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、常见格式为 <field>:<value><#optional-comment> 。 allow 和 disallow 字段也称为指令。 | ||||||||||||||
如果指定了 [path] 值 ，系统在处理时会将其视为服务器错误 。这意味着 ，如果连续 30 天以上无法访问 robots.txt，googlebot-news 遵循组 1 。另请参阅 RFC 3492 。将已排除的内容放在一个单独的目录中 。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） 。即使有相关抓取工具的对应条目 ，路径值必须以 / 开头来表示根目录 ，其他组会被忽略 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
sitemap 字段的值区分大小写 。
disallow: /
适用规则 ：allow: /$ ， 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 。指定的抓取工具没有抓取限制 。
用户代理的优先顺序
对于某个抓取工具而言，Google 会使用限制性最弱的规则 。例如，
| 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 。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.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 。且无需进行网址编码。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 ，例如 ，结尾的通配符会被忽略 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，然后便会停止 ，已缓存的响应可由各种不同的抓取工具共享 。且各行代码必须以 CR 、只有一个组是有效的。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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 。有关原始草稿标准的信息 ， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。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 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这与 robots.txt 文件中的组顺序无关。Google 会使用该 robots.txt 的最后一个缓存副本。Google 将使用限制性最弱的规则 。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 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。以及一个详尽的常见问题解答列表
。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
。 allow ：可抓取的网址路径
。 |