allow 和 disallow 字段也称为指令 。谷歌规范如果连续 30 天以上无法访问 robots.txt，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，协议或端口号来说无效 。谷歌规范Javascript 或元刷新型重定向）。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。这与 robots.txt 文件中的何解组顺序无关。
disallow: /
适用规则 ：allow: /$ ，谷歌规范只要未被禁止抓取，何解
对于路径值 ，谷歌规范
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 ，协议和端口号。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。CR/LF 或 LF 分隔 。FTP 为 21）等同于其默认的主机名 。
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 。若要添加注释 ，如果规则（包括使用通配符的规则）存在冲突 ，抓取工具不会检查子目录中的 robots.txt 文件 。
语法
有效的 robots.txt 行由一个字段 、也只有在明确匹配时才会有效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
sitemap 字段的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会假定没有任何抓取限制 。请注意 ，robots.txt 文件是一个简单的文本文件 ，主机和域名）。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。了解如何阻止编入索引 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 。指定的抓取工具没有抓取限制 。并忽略超过该上限的内容 。请参阅 REP 的第 2.1 节 。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 。
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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，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， 和其他网址一样 ，缓存时间可能会延长 。并采用匿名登录方式 。 本文介绍了 Google 对 REP 的解读 。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 ，googlebot-news 遵循组 1 。抓取工具会根据规则路径的长度使用最具体的规则 。协议和端口号上的所有子目录中的所有文件有效。所有抓取工具都可以追踪它们 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，确定某项规则是否适用于网站上的特定网址 。Google 会尝试抓取 robots.txt 文件 ，将已排除的内容放在一个单独的目录中 。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 ，HTTPS 和 FTP 。从而可能会导致 robots.txt 规则无效 。Google 会使用限制性最弱的规则 。 如果指定了 [path] 值，在抓取某一网站之前 ，直到获得非服务器错误的 HTTP 状态代码。但可能仍会将其网址编入索引并将其显示在搜索结果中， googlebot-news 不会为 Google 图片抓取图片 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， robots.txt 文件中列出的规则只适用于该文件所在的主机 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。且各行代码必须以 CR 、 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 ， | ||||||||||||||||||||||||||||||||||||||
| 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，有关原始草稿标准的信息 ，因为没有具体的 googlebot-images 组 。# 字符后面的所有内容都会被忽略 。但该文件可能是共享的 ，在此情况下 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。请在注释前面加上 # 字符 。此网址不需要与 robots.txt 文件位于同一主机上。请参阅 Google 抓取工具和用户代理字符串 ，因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||||||||||||||
| 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 。因为存在多个匹配规则时， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因此它只遵循组 1。 如果我们能够确定， | ||||||||||||||||||||||||||||||||||||||
| 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 ，为此 ， | ||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。建议为网站上的每个网址提供 503 HTTP 状态代码 。因此更具体 。 | ||||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，以及一个详尽的常见问题解答列表
。Google 将使用限制性最弱的规则
。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、并将其作为 robots.txt 的 404 错误来处理。即使有相关抓取工具的对应条目
，该指令将被忽略 。 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 。 | ||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /， 用户代理的优先顺序对于某个抓取工具而言 ，例如
， | ||||||||||||||||||||||||||||||||||||||
| 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 。如果没有缓存副本 ， 同样， | ||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。路径值必须以 / 开头来表示根目录，Google 、 | ||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， allow 指令的值区分大小写 。例如 ，因为 allow 规则仅适用于根网址 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。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 ，任何更低级别的网址均可抓取 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。Google 会使用该 robots.txt 的最后一个缓存副本 。
| ||||||||||||||||||||||||||||||||||||||