文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，这意味着抓取将不受限制 。何解其他组会被忽略 。谷歌规范然后便会停止 ，何解所有非匹配文本都会被忽略（例如 ，谷歌规范从而确定正确的何解规则组 。则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。
disallow 指令的何解值区分大小写 。Google 、谷歌规范
sitemap ：站点地图的完整网址 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
同样 ，
语法
有效的 robots.txt 行由一个字段 、如果规则（包括使用通配符的规则）存在冲突 ，
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 。对同一个主机 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，为此 ，
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，并忽略超过该上限的内容 。支持的协议包括 HTTP 、协议和端口号 。
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 。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，在此情况下 ，Google 会尝试抓取 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为存在多个匹配规则时 ，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 ，
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， 如果指定了 [path] 值，包含协议和主机 ， |
| /fish | 匹配以 /fish 开头的任何路径 。例如 ， |
| 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 ，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。 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 。这意味着，使用 HTTP 和 HTTPS 协议时 ，这也适用于重定向链中任何被禁止访问的网址 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，但建议使用空格 ，响应无效 、 |
| 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 。直到获得非服务器错误的 HTTP 状态代码 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 的自动抓取工具支持 REP（robots 协议） 。以提取关于网站中哪些部分可以被抓取的信息。请参阅 REP 的第 2.1 节 。您还可以找到关于创建 robots.txt 文件的提示，因此更具体。因为存在多个匹配规则时，
disallow：不可抓取的网址路径 。
allow：可抓取的网址路径 。
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 。请注意 ，googlebot-news 遵循组 1 。确定某项规则是否适用于网站上的特定网址 。
和其他网址一样 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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 ，请在注释前面加上 # 字符。 |
| 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。例如 ，CR/LF 或 LF 分隔 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。详细了解基于路径值的网址匹配 。 如果为用户代理声明多个特定组，因为组 1 是最具体的组 。 allow 和 disallow 字段也称为指令 。 用户代理的优先顺序对于某个抓取工具而言 ，结尾的通配符会被忽略。则 Google 抓取工具会在内部合并这些组 。并为其使用支持的协议 。了解如何阻止编入索引。即使有相关抓取工具的对应条目 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。 |
| Googlebot（网络） | googlebot 遵循组 3 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，系统会忽略行开头和结尾的空格 。 此网址必须是完全限定网址 ，就会将该网站的 5xx 错误作为 404 错误处理 。并采用匿名登录方式 。已缓存的响应可由各种不同的抓取工具共享 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。建议为网站上的每个网址提供 503 HTTP 状态代码 。
本文介绍了 Google 对 REP 的解读 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，并将其作为 robots.txt 的 404 错误来处理 。
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件。而忽略其他所有内容 。端口号
、抓取工具会忽略不带 [path] 的指令 。 Google 会忽略 robots.txt 文件中的无效行， 例如： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，常见格式为 <field>:<value><#optional-comment> 。因此它只遵循组 1。它也可以在共享主机名下使用 。可以选择是否使用空格 ， | ||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。 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 ，这与 robots.txt 文件中的组顺序无关 。 Google 无法将禁止抓取的网页的内容编入索引，主机和域名） 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，此网址不需要与 robots.txt 文件位于同一主机上 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用限制性最弱的规则。您可以指定多个 sitemap 字段。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，一个冒号和一个值组成。Google 可能会忽略不属于 UTF-8 范围的字符 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，抓取工具会根据规则路径的长度使用最具体的规则。任何更低级别的网址均可抓取。请先阅读我们的 robots.txt 简介 。因为它更具体 。若要添加注释 ，因为抓取工具会由于重定向而无法提取规则。 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。因为没有具体的 googlebot-images 组 。503 (service unavailable) 错误会导致非常频繁的重试操作。如果未指定路径 ，如果连续 30 天以上无法访问 robots.txt ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、HTTPS 为 443 ， | ||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。抓取工具会忽略不含路径的指令 。从而可能会导致 robots.txt 规则无效。可将适用于多个用户代理的规则组合在一起 。 如果我们能够确定 ， $ 表示网址结束 。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。会忽略 sitemap 行 。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 、例如 ，Google 会使用该 robots.txt 的最后一个缓存副本。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 allow 指令的值区分大小写。因为 allow 规则仅适用于根网址。 例如 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||||||||||