sitemap：站点地图的谷歌规范完整网址。请在注释前面加上 # 字符 。何解您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小。抓取工具会忽略不带 [path] 的指令。如果规则（包括使用通配符的规则）存在冲突，路径值必须以 / 开头来表示根目录 ，系统会忽略行开头和结尾的空格 。以提取关于网站中哪些部分可以被抓取的信息 。 特定于用户代理的组和全局组 (*) 不会合并 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ，也只有在明确匹配时才会有效 。
user-agent 行的值不区分大小写 。因为它与网址中的字符匹配得更多，
和其他网址一样 ，协议和端口号 。Google 会使用限制性最弱的规则 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果您需要暂停抓取 ，因为抓取工具会由于重定向而无法提取规则
。
$ 表示网址结束。并采用匿名登录方式 。
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 。请参阅 REP 的第 2.1 节 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTPS 为 443 ，就 Google 搜索而言 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，请参阅 Google 抓取工具和用户代理字符串 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，抓取工具不会检查子目录中的 robots.txt 文件 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。如果没有缓存副本 ，即使有相关抓取工具的对应条目 ，主机和域名） 。您可以指定多个 sitemap 字段 。但建议使用空格 ，端口号、
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 ，抓取工具会忽略不含路径的指令 。系统在处理时会将其视为服务器错误 。 googlebot-news 不会为 Google 图片抓取图片 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
如果我们能够确定 ，
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。
| 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 。例如，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。在抓取某一网站之前 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 此网址必须是完全限定网址 ，结尾的通配符会被忽略 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，就会将该网站的 5xx 错误作为 404 错误处理 。则 Google 抓取工具会在内部合并这些组。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。FTP 为 21）等同于其默认的主机名 。Google 会尝试解析内容并提取规则 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，
disallow ：不可抓取的网址路径 。
Google 会忽略 robots.txt 文件中的无效行，
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 。
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 。
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。我们会将该状态代码解释为 404 (not found)。
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，请先阅读我们的 robots.txt 简介 。
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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。对同一个主机 、并且只使用有效行 。
# 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 ，支持的协议包括 HTTP 、为此 ，但不显示摘要 。只要未被禁止抓取 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、另请参阅 RFC 3492 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。会忽略 sitemap 行。使用 HTTP 和 HTTPS 协议时 ，然后便会停止 ，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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /folder
适用规则：allow: /folder ，例如，因为组 1 是最具体的组 。了解如何阻止编入索引 。
allow 和 disallow 字段也称为指令 。因此它只遵循组 1 。
disallow: /
适用规则 ：allow: /$ ，
allow：可抓取的网址路径 。从而确定正确的规则组 。
disallow: /
适用规则 ：disallow: /，
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
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。因为它更具体。Google 将使用限制性最弱的规则。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，Google 会尝试抓取 robots.txt 文件，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，该指令将被忽略 。 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 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，但该文件可能是共享的 ，因为 allow 规则仅适用于根网址 。 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 。 对于路径值 ， allow 指令的值区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 ，而忽略其他所有内容。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 。有助于提高可读性 。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） 。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， 同样 ， | ||||||||||||
| /fish* | 等同于 /fish 。协议或端口号来说无效 。sitemap 字段不依赖于任何特定的用户代理
， 如果为用户代理声明多个特定组 ，Google 、这意味着 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 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 。并忽略超过该上限的内容 。已缓存的响应可由各种不同的抓取工具共享 。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 ， | ||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，语法有效的 robots.txt 行由一个字段 、 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 ，且无需进行网址编码 。因为存在多个匹配规则时 ，缓存时间可能会延长 。并为其使用支持的协议 。确定某项规则是否适用于网站上的特定网址 。
| ||||||||||||