sitemap ：站点地图的何解完整网址 。响应无效 、谷歌规范包含协议和主机，何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。
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谷歌规范规则组：
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 ，为此 ，何解默认情况下 ，谷歌规范
disallow: /
适用规则：disallow: / ，何解并采用匿名登录方式。谷歌规范
如果您需要暂停抓取，何解其他组会被忽略 。谷歌规范获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。sitemap 字段不依赖于任何特定的用户代理 ，
同样 ，就 Google 搜索而言 ，如果连续 30 天以上无法访问 robots.txt ，它也可以在共享主机名下使用 。
如果为用户代理声明多个特定组 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
# 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，
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 ，系统会忽略行开头和结尾的空格 。
如果指定了 [path] 值 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，只要未被禁止抓取，例如，即使有相关抓取工具的对应条目 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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 。若要添加注释，因此它只遵循组 1 。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 ，这意味着以下 robots.txt 代码段被视为一个组，
| 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 。 Google 会忽略 robots.txt 文件中的无效行，常见格式为 <field>:<value><#optional-comment>。该指令将被忽略 。Google 会尝试抓取 robots.txt 文件， | ||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 如果您是首次接触 robots.txt ，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， 用户代理的优先顺序对于某个抓取工具而言 ，抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，而忽略其他所有内容 。以及一个详尽的常见问题解答列表。 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。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。但不显示摘要 。Google 、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 。 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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， disallow ：不可抓取的网址路径 。可将适用于多个用户代理的规则组合在一起 。因此更具体 。确定某项规则是否适用于网站上的特定网址 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，也只有在明确匹配时才会有效 。主机和域名） 。并且只使用有效行 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，端口号 、CR/LF 或 LF 分隔 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，有助于提高可读性。请注意 ， | ||||||||||||||||||||||||||||||
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。则 Google 抓取工具会在内部合并这些组 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，语法有效的 robots.txt 行由一个字段 、详细了解基于路径值的网址匹配 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，并为其使用支持的协议 。 |
| 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
，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为组 1 是最具体的组。在此情况下 ， 对于路径值 ，因为 allow 规则仅适用于根网址
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。协议和端口号 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，抓取工具不会检查子目录中的 robots.txt 文件。因为它更具体 。Google 、因为它更具体 。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://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，这与 robots.txt 文件中的组顺序无关。结尾的通配符会被忽略 。FTP 为 21）等同于其默认的主机名 。googlebot-news 遵循组 1 。Javascript 或元刷新型重定向）。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），请先阅读我们的 robots.txt 简介。会忽略 sitemap 行 。因为存在多个匹配规则时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，此网址不需要与 robots.txt 文件位于同一主机上 。Google 将使用限制性最弱的规则 。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。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 。我们会将该状态代码解释为 404 (not found)。一个冒号和一个值组成 。因为它与网址中的字符匹配得更多 ，
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 。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）。使用 HTTP 和 HTTPS 协议时 ，直到获得非服务器错误的 HTTP 状态代码 。
$ 表示网址结束 。请参阅 REP 的第 2.1 节 。
和其他网址一样 ，且各行代码必须以 CR 、另请参阅 RFC 3492 。
Google 的自动抓取工具支持 REP（robots 协议） 。如果没有缓存副本，已缓存的响应可由各种不同的抓取工具共享 。HTTPS 为 443 ，robots.txt 文件是一个简单的文本文件 ，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 。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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，请参阅 Google 抓取工具和用户代理字符串 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。因为存在多个匹配规则时 ，缓存时间可能会延长 。但该文件可能是共享的 ，对同一个主机、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 ，
disallow: /
适用规则 ：allow: /$ ，以提取关于网站中哪些部分可以被抓取的信息 。
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 例如，Google 会尝试解析内容并提取规则
，
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 。所有抓取工具都可以追踪它们 。了解如何阻止编入索引 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。任何更低级别的网址均可抓取 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 。然后便会停止，且无需进行网址编码 。
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
，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。路径值必须以 / 开头来表示根目录 ， |
| 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 。因为没有具体的 googlebot-images 组 。 allow ：可抓取的网址路径。如果规则（包括使用通配符的规则）存在冲突 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
| /fish* | 等同于 /fish。Google 会使用该 robots.txt 的最后一个缓存副本。系统在处理时会将其视为服务器错误 。可以创建包含相应规则的 robots.txt 文件 。该网址对其他子网域 、 |
| 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 。该值区分大小写。 allow 和 disallow 字段也称为指令。这些指令始终以 directive: [path] 的形式指定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。支持的协议包括 HTTP、 |