sitemap ：站点地图的何解完整网址 。
user-agent 行的谷歌规范值不区分大小写 。
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范因此更具体 。何解协议或端口号来说无效 。谷歌规范HTTPS 为 443，何解该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。该网址对其他子网域 、谷歌规范
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。所有非匹配文本都会被忽略（例如 ，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 。
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址
。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。可以创建包含相应规则的 robots.txt 文件。例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。sitemap 字段不依赖于任何特定的用户代理 ，协议和端口号 。因为没有具体的 googlebot-images 组 。 用户代理的优先顺序对于某个抓取工具而言
， 此网址必须是完全限定网址 ， 对于路径值 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 disallow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 ，该指令将被忽略 。例如 ，以及一个详尽的常见问题解答列表 。主机和域名） 。 | ||||||||||||||||
| 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。这意味着 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 如果为用户代理声明多个特定组 ，在此情况下
， | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，Google 会使用限制性最弱的规则。就 Google 搜索而言 ， 如果您需要暂停抓取 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。Javascript 或元刷新型重定向） 。协议和端口号上的所有子目录中的所有文件有效 。它也可以在共享主机名下使用 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这也适用于重定向链中任何被禁止访问的网址 ， 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 | ||||||||||||||||
| /* | 等同于 / 。因此它只遵循组 1 。请查看 IETF Data Tracker 。为此 ，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） ， | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。支持的协议包括 HTTP
、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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：
规则的优先顺序匹配 robots.txt 规则与网址时， | ||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果指定了 [path] 值 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，缓存时间可能会延长 。指定的抓取工具没有抓取限制。
Google 的自动抓取工具支持 REP（robots 协议） 。并且只使用有效行。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。从而可能会导致 robots.txt 规则无效 。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 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。 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 /fish/ 文件夹中的任何内容。任何更低级别的网址均可抓取 。会忽略 sitemap 行。结尾的通配符会被忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，端口号、 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 。且各行代码必须以 CR 、HTTPS 和 FTP 。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）。如果连续 30 天以上无法访问 robots.txt ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
allow：可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引，
allow 指令的值区分大小写。此网址不需要与 robots.txt 文件位于同一主机上。
| 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 。因为存在多个匹配规则时 ， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，建议为网站上的每个网址提供 503 HTTP 状态代码 。抓取工具会根据规则路径的长度使用最具体的规则 。Bing 和其他主流搜索引擎支持有限形式的通配符。可以选择是否使用空格 ，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。 | ||||
| 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 。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 。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 ，Google 会使用限制性最弱的规则 。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 ，Google 会尝试抓取 robots.txt 文件， | ||||
| 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 。 | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 本文介绍了 Google 对 REP 的解读 。googlebot-news 遵循组 1 。CR/LF 或 LF 分隔 。 | ||||
| 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。您还可以找到关于创建 robots.txt 文件的提示 ，包含协议和主机 ， 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 。这些指令始终以 directive: [path] 的形式指定 ，也只有在明确匹配时才会有效。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 语法有效的 robots.txt 行由一个字段 、并采用匿名登录方式 。有助于提高可读性。Google 、Google 、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 ， | ||||
| 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 。Google 将使用限制性最弱的规则 。将已排除的内容放在一个单独的目录中 。系统在处理时会将其视为服务器错误 。已缓存的响应可由各种不同的抓取工具共享 。如果没有缓存副本 ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，并忽略超过该上限的内容
。如果 robots.txt 文件的字符编码不是 UTF-8， 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 。但建议使用空格 ，这意味着抓取将不受限制。
| ||||