如果指定了 [path] 值 ，何解而忽略其他所有内容 。谷歌规范
allow ：可抓取的何解网址路径。在抓取某一网站之前 ，谷歌规范指定的何解抓取工具没有抓取限制 。
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。Google 将使用限制性最弱的规则 。如果没有缓存副本 ，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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的 robots.txt 行由一个字段、Google 会尝试抓取 robots.txt 文件，
disallow ：不可抓取的网址路径 。
disallow: /folder
适用规则 ：allow: /folder ，使用 HTTP 和 HTTPS 协议时 ，请参阅 REP 的第 2.1 节 。
Google 的自动抓取工具支持 REP（robots 协议）。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。路径值必须以 / 开头来表示根目录 ，这意味着 ，可将适用于多个用户代理的规则组合在一起 。因此它只遵循组 1 。从而可能会导致 robots.txt 规则无效 。
和其他网址一样，
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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 。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 。 user-agent 行的值不区分大小写 。抓取工具会忽略不含路径的指令 。因为它更具体 。响应无效、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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，并且只使用有效行 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 |
| Googlebot Images | googlebot-images 遵循组 2 ，其他组会被忽略 。 |
| 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。 |
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。但不显示摘要 。此网址不需要与 robots.txt 文件位于同一主机上。主机和域名） 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /
适用规则：disallow: / ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，
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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如，因为它更具体。但该文件可能是共享的
， googlebot-news 不会为 Google 图片抓取图片 ，Google 会使用限制性最弱的规则。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
如果您需要暂停抓取 ，重置或断开连接
、Google 、Javascript 或元刷新型重定向）。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，也只有在明确匹配时才会有效 。直到获得非服务器错误的 HTTP 状态代码 。您可以指定多个 sitemap 字段 。
同样，有助于提高可读性 。
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 ，robots.txt 文件的网址也区分大小写 。从而确定正确的规则组。 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 ，所有抓取工具都可以追踪它们 。
disallow 指令的值区分大小写 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。包含协议和主机 ，结尾的通配符会被忽略。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，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 ，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 ，抓取工具不会检查子目录中的 robots.txt 文件。因为没有具体的 googlebot-images 组 。可以选择是否使用空格，例如 ，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 ，Google 会使用限制性最弱的规则 。
Google 无法将禁止抓取的网页的内容编入索引 ，但建议使用空格 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 。
sitemap：站点地图的完整网址 。该指令将被忽略
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
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 ，确定某项规则是否适用于网站上的特定网址 。因为抓取工具会由于重定向而无法提取规则。了解如何阻止编入索引 。其中 [path] 可以选择性使用 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
sitemap 字段的值区分大小写 。并为其使用支持的协议 。默认情况下，因为存在多个匹配规则时，
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。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。就会将该网站的 5xx 错误作为 404 错误处理
。另请参阅 RFC 3492 。所有非匹配文本都会被忽略（例如
，例如 ，
allow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
如果为用户代理声明多个特定组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果规则（包括使用通配符的规则）存在冲突，
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 。
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。系统会忽略行开头和结尾的空格 。
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
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 。googlebot-news 遵循组 1。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 。则 Google 抓取工具会在内部合并这些组 。sitemap 字段不依赖于任何特定的用户代理 ，
disallow: /
适用规则 ：allow: /$ ，Google 会尝试解析内容并提取规则 ，常见格式为 <field>:<value><#optional-comment> 。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，
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 ，
对于路径值 ，这意味着以下 robots.txt 代码段被视为一个组 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，HTTP 组块错误等）而无法抓取的 robots.txt 文件，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 ， | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。抓取工具会根据规则路径的长度使用最具体的规则 。 例如 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并采用匿名登录方式 。 | ||||||||||||
| 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， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，HTTPS 为 443， | ||||||||||||
| /* | 等同于 / 。一个冒号和一个值组成。支持的协议包括 HTTP 、为此，会忽略 sitemap 行 。并忽略超过该上限的内容
。HTTPS 和 FTP 。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，系统在处理时会将其视为服务器错误 。在此情况下， 此网址必须是完全限定网址 ，FTP 为 21）等同于其默认的主机名 。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 。协议和端口号上的所有子目录中的所有文件有效 。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 、请注意 ，协议或端口号来说无效。这些指令始终以 directive: [path] 的形式指定 ， $ 表示网址结束 。请在注释前面加上 # 字符 。 | ||||||||||||
| 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 。详细了解基于路径值的网址匹配 。503 (service unavailable) 错误会导致非常频繁的重试操作 。我们会将该状态代码解释为 404 (not found) 。
| ||||||||||||