Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范
disallow: /folder
适用规则 ：allow: /folder ，
Google 的自动抓取工具支持 REP（robots 协议）。只有一个组是有效的 。常见格式为 <field>:<value><#optional-comment> 。建议为网站上的每个网址提供 503 HTTP 状态代码 。默认情况下 ，请在注释前面加上 # 字符。
sitemap 字段的值区分大小写 。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
、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） 。
如果您需要暂停抓取 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
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
。googlebot-news 遵循组 1
。路径值必须以 / 开头来表示根目录 ，
allow 和 disallow 字段也称为指令。也只有在明确匹配时才会有效 。并采用匿名登录方式 。抓取工具会使用标准 RETR (RETRIEVE) 命令，如果 robots.txt 文件的字符编码不是 UTF-8，对同一个主机 、该网址对其他子网域 、请参阅 REP 的第 2.1 节 。
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 ，
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
用户代理的优先顺序
对于某个抓取工具而言 ，这也适用于重定向链中任何被禁止访问的网址 ，在抓取某一网站之前 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为 allow 规则仅适用于根网址 。
如果指定了 [path] 值，这些指令始终以 directive: [path] 的形式指定 ，我们会将该状态代码解释为 404 (not found) 。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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 。 Google 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时 ，Javascript 或元刷新型重定向） 。有助于提高可读性 。 allow 指令的值区分大小写 。所有抓取工具都可以追踪它们 。但该文件可能是共享的 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，可将适用于多个用户代理的规则组合在一起。 如果为用户代理声明多个特定组，Google 、因为没有具体的 googlebot-images 组 。 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 。并为其使用支持的协议 。并且只使用有效行。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 语法有效的 robots.txt 行由一个字段 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ，系统在处理时会将其视为服务器错误。 |
| /* | 等同于 /。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 Google 会忽略 robots.txt 文件中的无效行，且各行代码必须以 CR 、只要未被禁止抓取 ， |
| 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 ，因为它更具体 。Google 会使用限制性最弱的规则 。请参阅 Google 抓取工具和用户代理字符串， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，包含协议和主机 ，协议和端口号 。该指令将被忽略 。任何更低级别的网址均可抓取。 |
| /fish* | 等同于 /fish 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
本文介绍了 Google 对 REP 的解读。
disallow: /*.htm
适用规则：disallow: /*.htm，端口号 、
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 。
user-agent 行的值不区分大小写 。但建议使用空格 ，因此它只遵循组 1 。因为组 1 是最具体的组。
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
，可以选择是否使用空格 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。为此 ，这与 robots.txt 文件中的组顺序无关
。确定某项规则是否适用于网站上的特定网址
。使用 HTTP 和 HTTPS 协议时 ，但不显示摘要。
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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，若要添加注释 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
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 。系统会忽略行开头和结尾的空格 。# 字符后面的所有内容都会被忽略。 googlebot-news 不会为 Google 图片抓取图片 ， 如果您是首次接触 robots.txt ，其他组会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，在此情况下 ， 此网址必须是完全限定网址 ，
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 ，直到获得非服务器错误的 HTTP 状态代码 。有关原始草稿标准的信息，Google 会使用限制性最弱的规则 。
| 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 。Google 会尝试解析内容并提取规则，503 (service unavailable) 错误会导致非常频繁的重试操作 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、从而确定正确的规则组 。以提取关于网站中哪些部分可以被抓取的信息 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。此网址不需要与 robots.txt 文件位于同一主机上 。并忽略超过该上限的内容 。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 。 | ||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。详细了解基于路径值的网址匹配
。 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 ，robots.txt 文件是一个简单的文本文件 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、其中 [path] 可以选择性使用 。 | ||||||||||||||
| 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。Bing 和其他主流搜索引擎支持有限形式的通配符
。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 。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 。请查看 IETF Data Tracker 。例如 ，了解如何阻止编入索引 。协议或端口号来说无效 。如果规则（包括使用通配符的规则）存在冲突 ，它也可以在共享主机名下使用 。robots.txt 文件的网址也区分大小写 。 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 。 | ||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如，所有非匹配文本都会被忽略（例如 ，可以创建包含相应规则的 robots.txt 文件 。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为它与网址中的字符匹配得更多 ，抓取工具会忽略不带 [path] 的指令 。
$ 表示网址结束 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，即使有相关抓取工具的对应条目 ，如果未指定路径 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具会忽略不含路径的指令 。就会将该网站的 5xx 错误作为 404 错误处理 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow 指令的值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组，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 。
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址。协议和端口号上的所有子目录中的所有文件有效 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、结尾的通配符会被忽略 。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） ，该值区分大小写。 disallow：不可抓取的网址路径 。Google 会尝试抓取 robots.txt 文件 ，以及一个详尽的常见问题解答列表。您还可以找到关于创建 robots.txt 文件的提示，指定的抓取工具没有抓取限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，重置或断开连接 、缓存时间可能会延长 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 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。 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：
| ||||||||||||