sitemap ：站点地图的谷歌规范完整网址 。如果 robots.txt 文件的何解字符编码不是 UTF-8，常见格式为 <field>:<value><#optional-comment> 。谷歌规范因此它只遵循组 1 。何解
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范Google 、何解因为抓取工具会由于重定向而无法提取规则 。谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，
disallow: /
适用规则：disallow: / ，谷歌规范因为它更具体 。何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。
同样，谷歌规范
Google 无法将禁止抓取的网页的内容编入索引 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。所有抓取工具都可以追踪它们 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、HTTPS 为 443 ，
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，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，您可以指定多个 sitemap 字段 。
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 ，
语法
有效的 robots.txt 行由一个字段 、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 。
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。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，robots.txt 文件的网址也区分大小写 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，只要未被禁止抓取 ，因为它与网址中的字符匹配得更多 ，请查看 IETF Data Tracker。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 。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 ，您还可以找到关于创建 robots.txt 文件的提示 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、但建议使用空格
，此网址不需要与 robots.txt 文件位于同一主机上
。详细了解基于路径值的网址匹配 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 $ 表示网址结束 。协议或端口号来说无效。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 ，googlebot-news 遵循组 1 。如果连续 30 天以上无法访问 robots.txt ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。另请参阅 RFC 3492 。系统会忽略行开头和结尾的空格 。如果没有缓存副本 ， 如果为用户代理声明多个特定组，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。对同一个主机、 |
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， |
| /fish | 匹配以 /fish 开头的任何路径 。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 。例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，主机和域名） 。有关原始草稿标准的信息，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，即使有相关抓取工具的对应条目 ，Google 会尝试抓取 robots.txt 文件 ，因此更具体 。其中 [path] 可以选择性使用 。 |
| Googlebot（网络） | googlebot 遵循组 3 。 Google 的自动抓取工具支持 REP（robots 协议）。 |
allow 和 disallow 字段也称为指令 。
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 ， 此网址必须是完全限定网址 ，该网址对其他子网域、如果未指定路径 ，
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
本文介绍了 Google 对 REP 的解读 。Google 会使用限制性最弱的规则 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /folder
适用规则：allow: /folder，
allow：可抓取的网址路径 。就 Google 搜索而言 ，
sitemap 字段的值区分大小写。且无需进行网址编码 。所有非匹配文本都会被忽略（例如 ，响应无效、
disallow: /
适用规则 ：allow: /$ ， 如果您是首次接触 robots.txt ，
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 。
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
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 。这些指令始终以 directive: [path] 的形式指定 ，使用 HTTP 和 HTTPS 协议时 ，包含协议和主机 ，并将其作为 robots.txt 的 404 错误来处理 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。默认情况下 ，Javascript 或元刷新型重定向） 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
| 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 。一个冒号和一个值组成 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||||
| 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。# 字符后面的所有内容都会被忽略 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 将使用限制性最弱的规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。503 (service unavailable) 错误会导致非常频繁的重试操作 。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。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。只有一个组是有效的 。Google 会尝试解析内容并提取规则 ，其他组会被忽略 。端口号 、就会将该网站的 5xx 错误作为 404 错误处理 。例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，可以选择是否使用空格，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会使用限制性最弱的规则 。协议和端口号 。缓存时间可能会延长 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，并且只使用有效行 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。若要添加注释 ， allow 指令的值区分大小写 。任何更低级别的网址均可抓取。支持的协议包括 HTTP 、请注意 ，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 ，因为存在多个匹配规则时 ， 例如，结尾的通配符会被忽略 。因为存在多个匹配规则时 ， 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 。这意味着以下 robots.txt 代码段被视为一个组 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、以提取关于网站中哪些部分可以被抓取的信息 。从而可能会导致 robots.txt 规则无效 。了解如何阻止编入索引 。也只有在明确匹配时才会有效 。因为没有具体的 googlebot-images 组 。结尾的通配符会被忽略 。 | ||||||||||||||||
| 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 。
| ||||||||||||||||