语法
有效的何解 robots.txt 行由一个字段 、默认情况下，谷歌规范例如
，何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
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。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
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 ，这意味着以下 robots.txt 代码段被视为一个组，并忽略超过该上限的内容 。从而可能会导致 robots.txt 规则无效 。抓取工具会根据规则路径的长度使用最具体的规则 。了解如何阻止编入索引 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， 如果您是首次接触 robots.txt ，
sitemap 字段的值区分大小写 。抓取工具会忽略不带 [path] 的指令。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，任何更低级别的网址均可抓取 。该网址对其他子网域 、将已排除的内容放在一个单独的目录中 。详细了解基于路径值的网址匹配 。路径值必须以 / 开头来表示根目录 ，
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 。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 。以提取关于网站中哪些部分可以被抓取的信息 。协议和端口号 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请在注释前面加上 # 字符 。该值区分大小写 。所有非匹配文本都会被忽略（例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，就 Google 搜索而言 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，它也可以在共享主机名下使用 。支持的协议包括 HTTP 、
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
如果指定了 [path] 值 ，在此情况下 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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 ，
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 。然后便会停止 ，系统会忽略行开头和结尾的空格
。Google 会尝试解析内容并提取规则，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。这意味着 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，但不显示摘要 。Google 会使用限制性最弱的规则 。结尾的通配符会被忽略 。Google 、其他组会被忽略 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。Google 、我们会将该状态代码解释为 404 (not found)
。并将其作为 robots.txt 的 404 错误来处理 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 例如 ，HTTPS 为 443 ，Google 会使用该 robots.txt 的最后一个缓存副本 。有关原始草稿标准的信息 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
user-agent 行的值不区分大小写 。
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
，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、并采用匿名登录方式。 allow 指令的值区分大小写 。robots.txt 文件是一个简单的文本文件 ， disallow 指令的值区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，指定的抓取工具没有抓取限制
。 | ||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||||||||||||||||||||||
| 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 ，可以选择是否使用空格 ，此网址不需要与 robots.txt 文件位于同一主机上
。因此它只遵循组 1 。 sitemap ：站点地图的完整网址 。 和其他网址一样 ，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 文件的网址也区分大小写。Google 会尝试抓取 robots.txt 文件，为此 ， | ||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，常见格式为 <field>:<value><#optional-comment> 。因为组 1 是最具体的组 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， 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 。 对于路径值，其中 [path] 可以选择性使用 。如果连续 30 天以上无法访问 robots.txt ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。若要添加注释 ，因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。已缓存的响应可由各种不同的抓取工具共享 。如果未指定路径，FTP 为 21）等同于其默认的主机名
。Google 可能会忽略不属于 UTF-8 范围的字符 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、端口号 、 | ||||||||||||||||||||||||||||||||||
| 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
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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： 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，# 字符后面的所有内容都会被忽略 。在抓取某一网站之前，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。该指令将被忽略。缓存时间可能会延长 。 此网址必须是完全限定网址 ，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 ，您还可以找到关于创建 robots.txt 文件的提示 ，这与 robots.txt 文件中的组顺序无关。因为存在多个匹配规则时 ，可以创建包含相应规则的 robots.txt 文件 。 disallow ：不可抓取的网址路径。抓取工具会忽略不含路径的指令 。因为抓取工具会由于重定向而无法提取规则 。 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，Google 将使用限制性最弱的规则
。以及一个详尽的常见问题解答列表 。Javascript 或元刷新型重定向） 。重置或断开连接 、如果规则（包括使用通配符的规则）存在冲突，googlebot-news 遵循组 1 。sitemap 字段不依赖于任何特定的用户代理
， 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 ，
| ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。只要未被禁止抓取，而忽略其他所有内容 。 Google 的自动抓取工具支持 REP（robots 协议） 。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。协议或端口号来说无效 。请参阅 REP 的第 2.1 节 。因为它更具体 。HTTPS 和 FTP 。 | ||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， $ 表示网址结束 。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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 allow：可抓取的网址路径 。一个冒号和一个值组成 。 同样 ，主机和域名） 。 | ||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。如果没有缓存副本 ， | ||||||||||||||||||||||||||||||||||
| 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 。 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 。 如果我们能够确定，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||||||||||||||||||||