对于路径值 ，谷歌规范# 字符后面的何解所有内容都会被忽略。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 ，谷歌规范只有一个组是何解有效的。
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，这些指令始终以 directive: [path] 的何解形式指定 ，因为没有具体的谷歌规范 googlebot-images 组 。可以选择是何解否使用空格 ，就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。包含协议和主机 ，何解如果连续 30 天以上无法访问 robots.txt ，谷歌规范然后便会停止，何解例如 ，谷歌规范这与 robots.txt 文件中的何解组顺序无关。另请参阅 RFC 3492。谷歌规范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，robots.txt 文件的网址也区分大小写 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 。重置或断开连接 、
如果为用户代理声明多个特定组 ，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 。robots.txt 文件是一个简单的文本文件
，此网址不需要与 robots.txt 文件位于同一主机上 。其他组会被忽略 。
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
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，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，
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 。抓取工具会根据规则路径的长度使用最具体的规则。Google 、它也可以在共享主机名下使用 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，googlebot-news 遵循组 1。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） 。就 Google 搜索而言 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
如果您需要暂停抓取
，我们会将该状态代码解释为 404 (not found)
。
disallow：不可抓取的网址路径 。抓取工具不会检查子目录中的 robots.txt 文件 。且各行代码必须以 CR 、Google 可能会忽略不属于 UTF-8 范围的字符，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、为此，该指令将被忽略。
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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| 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 ， 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，而忽略其他所有内容 。
同样 ，sitemap 字段不依赖于任何特定的用户代理 ，一个冒号和一个值组成 。
和其他网址一样 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Javascript 或元刷新型重定向） 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，建议为网站上的每个网址提供 503 HTTP 状态代码 。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，您可以指定多个 sitemap 字段 。使用 HTTP 和 HTTPS 协议时，请参阅 Google 抓取工具和用户代理字符串 ，并将其作为 robots.txt 的 404 错误来处理 。CR/LF 或 LF 分隔 。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 ，常见格式为 <field>:<value><#optional-comment>。
语法
有效的 robots.txt 行由一个字段、HTTPS 为 443
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。但不显示摘要 。若要添加注释
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、也只有在明确匹配时才会有效 。该值区分大小写 。
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。抓取工具会忽略不含路径的指令。
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 。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/
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 。以及一个详尽的常见问题解答列表 。 此网址必须是完全限定网址，结尾的通配符会被忽略 。且无需进行网址编码。在此情况下 ，
disallow: /*.ph
适用规则 ：allow: /page ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。所有抓取工具都可以追踪它们。
如果我们能够确定，503 (service unavailable) 错误会导致非常频繁的重试操作 。这意味着抓取将不受限制 。响应无效 、缓存时间可能会延长 。
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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 ，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 ，端口号、即使有相关抓取工具的对应条目 ，您还可以找到关于创建 robots.txt 文件的提示，有助于提高可读性 。
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
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，并为其使用支持的协议 。协议和端口号上的所有子目录中的所有文件有效。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会使用限制性最弱的规则 。有关原始草稿标准的信息，则 Google 抓取工具会在内部合并这些组 。
sitemap 字段的值区分大小写
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。其中 [path] 可以选择性使用。 Google 无法将禁止抓取的网页的内容编入索引 ，因为组 1 是最具体的组 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish
。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）
，HTTPS 和 FTP。 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 用户代理的优先顺序对于某个抓取工具而言 ，因为它更具体。 | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， allow 和 disallow 字段也称为指令 。请先阅读我们的 robots.txt 简介 。任何更低级别的网址均可抓取 。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 ， | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，了解如何阻止编入索引 。 user-agent 行的值不区分大小写。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、因为存在多个匹配规则时 ，如果 robots.txt 文件的字符编码不是 UTF-8，因为它与网址中的字符匹配得更多 ，因此更具体 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||
| 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 ，详细了解基于路径值的网址匹配 。从而确定正确的规则组 。路径值必须以 / 开头来表示根目录 ，这也适用于重定向链中任何被禁止访问的网址
，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并采用匿名登录方式 。协议和端口号 。指定的抓取工具没有抓取限制 。会忽略 sitemap 行。请查看 IETF Data Tracker 。因为抓取工具会由于重定向而无法提取规则 。Google 会假定没有任何抓取限制 。 allow 指令的值区分大小写 。 如果指定了 [path] 值 ， sitemap ：站点地图的完整网址。该网址对其他子网域 、 | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，这意味着 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，但建议使用空格 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 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 ，对同一个主机、主机和域名） 。Google 会尝试抓取 robots.txt 文件 ，如果没有缓存副本 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。结尾的通配符会被忽略 。 $ 表示网址结束 。 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 ，因为它更具体
。抓取工具会忽略不带 [path] 的指令 。 googlebot-news 不会为 Google 图片抓取图片
，Google 会使用该 robots.txt 的最后一个缓存副本 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||