如果您需要暂停抓取，谷歌规范这意味着，何解可将适用于多个用户代理的谷歌规范规则组合在一起 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
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
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解可以选择是谷歌规范否使用空格，
和其他网址一样，何解Google 会假定没有任何抓取限制 。谷歌规范
$ 表示网址结束 。何解 路径中的谷歌规范非 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 。
Google 的何解自动抓取工具支持 REP（robots 协议） 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，
Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，会忽略 sitemap 行 。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 。主机和域名） 。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 ，这意味着以下 robots.txt 代码段被视为一个组 ，为此 ，指定的抓取工具没有抓取限制。抓取工具会忽略不带 [path] 的指令 。并且只使用有效行 。robots.txt 文件是一个简单的文本文件 ，因为存在多个匹配规则时
，
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 ，
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 特定于用户代理的组和全局组 (*) 不会合并 。若要添加注释 ，这也适用于重定向链中任何被禁止访问的网址 ， 如果指定了 [path] 值 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请查看 IETF Data Tracker。Google 将使用限制性最弱的规则 。例如 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、已缓存的响应可由各种不同的抓取工具共享 。 例如 ，它也可以在共享主机名下使用 。 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 ，CR/LF 或 LF 分隔 。任何更低级别的网址均可抓取 。这与 robots.txt 文件中的组顺序无关 。您可以指定多个 sitemap 字段 。 用户代理的优先顺序对于某个抓取工具而言 ，默认情况下 ，常见格式为 <field>:<value><#optional-comment> 。包含协议和主机， | ||||||||||||||||||||
| /* | 等同于 /
。 robots.txt 文件中列出的规则只适用于该文件所在的主机、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。支持的协议包括 HTTP、 | ||||||||||||||||||||
| /$ | 仅匹配根目录。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。即使有相关抓取工具的对应条目，协议或端口号来说无效。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 ，只有一个组是有效的。您还可以找到关于创建 robots.txt 文件的提示 ， 本文介绍了 Google 对 REP 的解读 。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 。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 。 | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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 。如果没有缓存副本 ，端口号 、以提取关于网站中哪些部分可以被抓取的信息 。路径值必须以 / 开头来表示根目录 ，建议为网站上的每个网址提供 503 HTTP 状态代码。 | ||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果未指定路径，该值区分大小写。FTP 为 21）等同于其默认的主机名 。且各行代码必须以 CR 、从而确定正确的规则组 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并为其使用支持的协议。以及一个详尽的常见问题解答列表 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，且无需进行网址编码 。只要未被禁止抓取 ，请注意，请在注释前面加上 # 字符。例如 ，
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 。然后便会停止 ，googlebot-news 遵循组 1 。所有非匹配文本都会被忽略（例如，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
disallow: /
适用规则 ：disallow: /，因为抓取工具会由于重定向而无法提取规则。有关原始草稿标准的信息 ，
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 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。在抓取某一网站之前 ，
sitemap ：站点地图的完整网址 。如果 robots.txt 文件的字符编码不是 UTF-8 ，可以创建包含相应规则的 robots.txt 文件 。将已排除的内容放在一个单独的目录中 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 。因为它更具体 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，详细了解基于路径值的网址匹配 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。HTTPS 和 FTP 。Javascript 或元刷新型重定向） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。例如 ，了解如何阻止编入索引 。
allow 和 disallow 字段也称为指令。所有抓取工具都可以追踪它们 。
allow 指令的值区分大小写 。robots.txt 文件的网址也区分大小写 。
语法
有效的 robots.txt 行由一个字段、# 字符后面的所有内容都会被忽略 。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 ，其中 [path] 可以选择性使用 。因此更具体 。例如 ，
allow ：可抓取的网址路径 。
disallow 指令的值区分大小写 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
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 。也只有在明确匹配时才会有效 。
如果我们能够确定 ，
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 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||
| 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 。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，协议和端口号 。Google 、因为 allow 规则仅适用于根网址 。 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3。抓取工具会忽略不含路径的指令 。 | ||||||||
| 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 ，确定某项规则是否适用于网站上的特定网址 。Google 会使用限制性最弱的规则 。有助于提高可读性 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 disallow ：不可抓取的网址路径。 | ||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。
| ||||||||