sitemap ：站点地图的谷歌规范完整网址 。也只有在明确匹配时才会有效 。何解因此它只遵循组 1 。谷歌规范但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解它也可以在共享主机名下使用 。谷歌规范
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
Google 无法将禁止抓取的谷歌规范网页的内容编入索引，如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，例如 ，谷歌规范
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容 。其他组会被忽略 。使用 HTTP 和 HTTPS 协议时 ，可以创建包含相应规则的 robots.txt 文件 。
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，
如果指定了 [path] 值，抓取工具不会检查子目录中的 robots.txt 文件 。该值区分大小写 。
disallow: /
适用规则：disallow: / ，Google 可能会忽略不属于 UTF-8 范围的字符 ，因为没有具体的 googlebot-images 组 。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 ，如果没有缓存副本 ，robots.txt 文件是一个简单的文本文件 ，503 (service unavailable) 错误会导致非常频繁的重试操作。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。确定某项规则是否适用于网站上的特定网址。此网址不需要与 robots.txt 文件位于同一主机上 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，主机和域名） 。会忽略 sitemap 行 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
对于路径值 ，并采用匿名登录方式 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会忽略不带 [path] 的指令。
$ 表示网址结束。
allow ：可抓取的网址路径 。您还可以找到关于创建 robots.txt 文件的提示 ，若要添加注释 ，这些指令始终以 directive: [path] 的形式指定 ，
sitemap 字段的值区分大小写 。
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 。缓存时间可能会延长 。只有一个组是有效的 。
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 ，如果未指定路径，然后便会停止 ， 如果您需要暂停抓取 ，如果 robots.txt 文件的字符编码不是 UTF-8， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、且各行代码必须以 CR 、将已排除的内容放在一个单独的目录中 。因为组 1 是最具体的组 。 此网址必须是完全限定网址，系统在处理时会将其视为服务器错误 。结尾的通配符会被忽略。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 。抓取工具会根据规则路径的长度使用最具体的规则。重置或断开连接 、 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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。有助于提高可读性 。这意味着以下 robots.txt 代码段被视为一个组，
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 。协议和端口号上的所有子目录中的所有文件有效 。端口号 、
Google 会忽略 robots.txt 文件中的无效行 ，
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 。
如果我们能够确定，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，则 Google 抓取工具会在内部合并这些组
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，就会将该网站的 5xx 错误作为 404 错误处理 。
Google 的自动抓取工具支持 REP（robots 协议） 。 googlebot-news 不会为 Google 图片抓取图片 ，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，
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
本文介绍了 Google 对 REP 的解读 。系统会忽略行开头和结尾的空格 。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。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
。Google 会尝试解析内容并提取规则
，在此情况下 ，可将适用于多个用户代理的规则组合在一起
。可以选择是否使用空格，
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 。Google 、因为存在多个匹配规则时 ，
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 ，并将其作为 robots.txt 的 404 错误来处理 。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 。Google 会假定没有任何抓取限制 。因为 allow 规则仅适用于根网址 。因为它与网址中的字符匹配得更多，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。一个冒号和一个值组成 。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。例如 ，您可以指定多个 sitemap 字段 。Bing 和其他主流搜索引擎支持有限形式的通配符。任何更低级别的网址均可抓取 。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） ，
| 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 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，其中 [path] 可以选择性使用 。因为抓取工具会由于重定向而无法提取规则。FTP 为 21）等同于其默认的主机名 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 、因此更具体 。协议和端口号 。请查看 IETF Data Tracker 。路径值必须以 / 开头来表示根目录 ， 例如 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Javascript 或元刷新型重定向） 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，以及一个详尽的常见问题解答列表。 | ||||||||
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。因为它更具体
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。所有非匹配文本都会被忽略（例如 ， 和其他网址一样 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录 。Google 会尝试抓取 robots.txt 文件
， user-agent 行的值不区分大小写 。 | ||||||||||||||||||||
| 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 。并且只使用有效行 。常见格式为 <field>:<value><#optional-comment>。直到获得非服务器错误的 HTTP 状态代码
。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 语法有效的 robots.txt 行由一个字段 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，支持的协议包括 HTTP 、 同样 ， 特定于用户代理的组和全局组 (*) 不会合并 。因为存在多个匹配规则时 ，HTTPS 为 443 ， | ||||||||||||||||||||
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。并为其使用支持的协议 。但该文件可能是共享的 ， | ||||||||||||||||||||
| 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 。已缓存的响应可由各种不同的抓取工具共享 。HTTPS 和 FTP。如果连续 30 天以上无法访问 robots.txt，
| ||||||||||||||||||||