sitemap ：站点地图的何解完整网址 。Google 会使用限制性最弱的谷歌规范规则 。包含协议和主机 ，何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。Google 将使用限制性最弱的何解规则 。
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 。
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 ，
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，这意味着，
allow 指令的值区分大小写 。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 。该值区分大小写 。例如 ，结尾的通配符会被忽略 。端口号、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
和其他网址一样 ，
allow 和 disallow 字段也称为指令 。请查看 IETF Data Tracker 。抓取工具会根据规则路径的长度使用最具体的规则。
disallow: /folder
适用规则 ：allow: /folder ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
* 表示出现 0 次或多次的任何有效字符 。CR/LF 或 LF 分隔。就会将该网站的 5xx 错误作为 404 错误处理 。 googlebot-news 不会为 Google 图片抓取图片，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
Google 会忽略 robots.txt 文件中的无效行 ，协议和端口号上的所有子目录中的所有文件有效。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 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。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，请在注释前面加上 # 字符 。Google 会使用限制性最弱的规则 。默认情况下 ，该指令将被忽略 。确定某项规则是否适用于网站上的特定网址 。只要未被禁止抓取 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、也只有在明确匹配时才会有效。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 语法有效的 robots.txt 行由一个字段 、例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，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 ，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 ，只有一个组是有效的 。重置或断开连接、常见格式为 <field>:<value><#optional-comment>。robots.txt 文件的网址也区分大小写 。Google 、
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /
适用规则 ：allow: /$ ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果我们能够确定 ，为此 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
Google 的自动抓取工具支持 REP（robots 协议）。您还可以找到关于创建 robots.txt 文件的提示 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。因为组 1 是最具体的组 。就 Google 搜索而言 ，我们会将该状态代码解释为 404 (not found) 。路径值必须以 / 开头来表示根目录 ，请参阅 Google 抓取工具和用户代理字符串，
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，对同一个主机、Bing 和其他主流搜索引擎支持有限形式的通配符 。googlebot-news 遵循组 1 。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 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果连续 30 天以上无法访问 robots.txt ，但不显示摘要 。这些指令始终以 directive: [path] 的形式指定 ，因为没有具体的 googlebot-images 组 。这意味着以下 robots.txt 代码段被视为一个组 ，直到获得非服务器错误的 HTTP 状态代码 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
sitemap 字段的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，支持的协议包括 HTTP 、Google 会尝试抓取 robots.txt 文件 ，Google 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会使用该 robots.txt 的最后一个缓存副本 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并为其使用支持的协议 。
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，详细了解基于路径值的网址匹配 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果您需要暂停抓取 ，结尾的通配符会被忽略 。FTP 为 21）等同于其默认的主机名 。其中 [path] 可以选择性使用 。但该文件可能是共享的 ，因此它只遵循组 1。系统在处理时会将其视为服务器错误 。任何更低级别的网址均可抓取。
disallow 指令的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，
user-agent 行的值不区分大小写 。
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 。
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 ，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） ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会假定没有任何抓取限制 。
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 。响应无效 、
allow ：可抓取的网址路径 。所有抓取工具都可以追踪它们 。
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， 特定于用户代理的组和全局组 (*) 不会合并 。请先阅读我们的 robots.txt 简介 。协议和端口号 。另请参阅 RFC 3492 。了解如何阻止编入索引 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ， 如果您是首次接触 robots.txt，从而可能会导致 robots.txt 规则无效。
| 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。抓取工具不会检查子目录中的 robots.txt 文件 。所有非匹配文本都会被忽略（例如 ，Google 可能会忽略不属于 UTF-8 范围的字符
，如果没有缓存副本，503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ：
| ||||||||