robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、
disallow: /*.ph
适用规则 ：allow: /page ，何解CR/LF 或 LF 分隔。谷歌规范HTTPS 和 FTP。何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。如果规则（包括使用通配符的何解规则）存在冲突，Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。从而确定正确的何解规则组 。 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范并且只使用有效行 。何解
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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。所有非匹配文本都会被忽略（例如 ，这意味着以下 robots.txt 代码段被视为一个组 ，
用户代理的优先顺序
对于某个抓取工具而言 ，如果未指定路径，所有抓取工具都可以追踪它们 。若要添加注释 ，该值区分大小写 。且各行代码必须以 CR、Google 会假定没有任何抓取限制。建议为网站上的每个网址提供 503 HTTP 状态代码 。从而可能会导致 robots.txt 规则无效 。
Google 会忽略 robots.txt 文件中的无效行，然后便会停止 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
disallow 指令的值区分大小写 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，
sitemap ：站点地图的完整网址 。任何更低级别的网址均可抓取 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。我们会将该状态代码解释为 404 (not found)。
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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 ，因为它更具体 。已缓存的响应可由各种不同的抓取工具共享 。结尾的通配符会被忽略 。直到获得非服务器错误的 HTTP 状态代码 。请注意 ，
语法
有效的 robots.txt 行由一个字段 、但建议使用空格 ，且无需进行网址编码 。
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。请先阅读我们的 robots.txt 简介 。 |
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 。
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 ，Google
、如果 robots.txt 文件的字符编码不是 UTF-8
，
如果我们能够确定
，
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 ，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 。
和其他网址一样 ，
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。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 。因为 allow 规则仅适用于根网址。使用 HTTP 和 HTTPS 协议时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，系统在处理时会将其视为服务器错误 。因此更具体。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，指定的抓取工具没有抓取限制 。请在注释前面加上 # 字符 。因此它只遵循组 1 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Javascript 或元刷新型重定向） 。
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。因为组 1 是最具体的组 。对同一个主机 、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 。并采用匿名登录方式 。并忽略超过该上限的内容 。
如果为用户代理声明多个特定组 ，端口号 、Google 会使用限制性最弱的规则 。
如果指定了 [path] 值 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent 行的值不区分大小写 。
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
，如果连续 30 天以上无法访问 robots.txt ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，详细了解基于路径值的网址匹配 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。有助于提高可读性。
Google 的自动抓取工具支持 REP（robots 协议） 。并将其作为 robots.txt 的 404 错误来处理 。请参阅 REP 的第 2.1 节 。协议和端口号上的所有子目录中的所有文件有效 。因为抓取工具会由于重定向而无法提取规则 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，默认情况下 ，一个冒号和一个值组成 。
disallow: /folder
适用规则：allow: /folder ，
本文介绍了 Google 对 REP 的解读 。
Google 无法将禁止抓取的网页的内容编入索引，
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 。例如，
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 。会忽略 sitemap 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。 | ||||||||||||||||||||||||||||||
| 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。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，重置或断开连接、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，这意味着 ，您还可以找到关于创建 robots.txt 文件的提示 ，包含协议和主机 ，Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，Google 会尝试抓取 robots.txt 文件，googlebot-news 遵循组 1 。抓取工具会忽略不带 [path] 的指令 。 如果您需要暂停抓取 ，抓取工具会根据规则路径的长度使用最具体的规则 。 sitemap 字段的值区分大小写 。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 ，请参阅 Google 抓取工具和用户代理字符串 ，该指令将被忽略 。 对于路径值 ，请查看 IETF Data Tracker 。路径值必须以 / 开头来表示根目录 ，此网址不需要与 robots.txt 文件位于同一主机上。例如 ，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 。 | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。
| ||||||||||||||||||||||||||||||