如果指定了 [path] 值，谷歌规范
allow 和 disallow 字段也称为指令 。何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，谷歌规范
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB，FTP 为 21）等同于其默认的谷歌规范主机名 。了解如何阻止编入索引。何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。Google 会尝试解析内容并提取规则 ，Javascript 或元刷新型重定向）。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 。系统会忽略行开头和结尾的空格 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就 Google 搜索而言 ，
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 ，
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 。Google 会使用限制性最弱的规则。并为其使用支持的协议 。Google 、且各行代码必须以 CR 、Google 会使用该 robots.txt 的最后一个缓存副本 。
如果我们能够确定，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
如果为用户代理声明多个特定组 ，
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
sitemap ：站点地图的完整网址 。Google 会尝试抓取 robots.txt 文件 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 如果您是首次接触 robots.txt ，
disallow: /*.htm
适用规则：disallow: /*.htm ，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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会假定没有任何抓取限制 。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 。因为 allow 规则仅适用于根网址 。googlebot-news 遵循组 1 。结尾的通配符会被忽略。
Google 会忽略 robots.txt 文件中的无效行， 此网址必须是完全限定网址 ，
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，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。请在注释前面加上 # 字符 。协议和端口号上的所有子目录中的所有文件有效 。robots.txt 文件是一个简单的文本文件
，抓取工具会忽略不带 [path] 的指令 。因此更具体 。Google
、只有一个组是有效的。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。请先阅读我们的 robots.txt 简介 。但建议使用空格 ，可将适用于多个用户代理的规则组合在一起 。重置或断开连接 、
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 。 googlebot-news 不会为 Google 图片抓取图片，协议或端口号来说无效 。
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 。因为组 1 是最具体的组 。请参阅 Google 抓取工具和用户代理字符串 ，并且只使用有效行。
| 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 。 allow 指令的值区分大小写。使用 HTTP 和 HTTPS 协议时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 用户代理的优先顺序对于某个抓取工具而言 ，包含协议和主机 ，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 ，
如果您需要暂停抓取 ，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）。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， 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 ，
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 。
sitemap 字段的值区分大小写 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
语法
有效的 robots.txt 行由一个字段 、
本文介绍了 Google 对 REP 的解读。
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。Google 可能会忽略不属于 UTF-8 范围的字符，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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，我们会将该状态代码解释为 404 (not found) 。这意味着抓取将不受限制 。这意味着以下 robots.txt 代码段被视为一个组 ，对同一个主机 、
disallow: /
适用规则 ：disallow: / ，此网址不需要与 robots.txt 文件位于同一主机上 。
disallow: /*.ph
适用规则 ：allow: /page ，
和其他网址一样 ，并采用匿名登录方式 。结尾的通配符会被忽略 。Google 将使用限制性最弱的规则 。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。HTTPS 和 FTP 。指定的抓取工具没有抓取限制 。请注意 ，为此 ，
disallow ：不可抓取的网址路径。若要添加注释 ，
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 ，另请参阅 RFC 3492 。 Google 的自动抓取工具支持 REP（robots 协议） 。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。然后便会停止 ，就会将该网站的 5xx 错误作为 404 错误处理 。HTTPS 为 443 ， 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
，只要未被禁止抓取 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。您还可以找到关于创建 robots.txt 文件的提示
，如果连续 30 天以上无法访问 robots.txt
， allow
：可抓取的网址路径 。robots.txt 文件的网址也区分大小写 。以提取关于网站中哪些部分可以被抓取的信息。 |
| /*.php | 匹配包含 .php 的任何路径。例如
， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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。 |
| /fish | 匹配以 /fish 开头的任何路径 。因此它只遵循组 1 。例如 ， |
| 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 ，因为抓取工具会由于重定向而无法提取规则 。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 ，sitemap 字段不依赖于任何特定的用户代理 ，常见格式为 <field>:<value><#optional-comment> 。因为它与网址中的字符匹配得更多 ，缓存时间可能会延长 。 |
| 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 。 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 。已缓存的响应可由各种不同的抓取工具共享 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、如果没有缓存副本 ，任何更低级别的网址均可抓取 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，如果未指定路径 ，请参阅 REP 的第 2.1 节 。在抓取某一网站之前，以及一个详尽的常见问题解答列表 。 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， $ 表示网址结束。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |