语法
有效的谷歌规范 robots.txt 行由一个字段 、
sitemap 字段的何解值区分大小写 。但不显示摘要 。谷歌规范例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，您可以指定多个 sitemap 字段 。何解
disallow ：不可抓取的谷歌规范网址路径。从而确定正确的何解规则组 。就 Google 搜索而言 ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，抓取工具会忽略不带 [path] 的谷歌规范指令 。该指令将被忽略。其中 [path] 可以选择性使用 。Javascript 或元刷新型重定向） 。
$ 表示网址结束。因为组 1 是最具体的组 。
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 ，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) ，
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 。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 。另请参阅 RFC 3492 。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，结尾的通配符会被忽略。请注意 ，
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 ，Google 将使用限制性最弱的规则 。因为没有具体的 googlebot-images 组。即使有相关抓取工具的对应条目 ，例如 ，所有非匹配文本都会被忽略（例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
如果您需要暂停抓取 ， 此网址必须是完全限定网址
，
同样 ，以及一个详尽的常见问题解答列表 。503 (service unavailable) 错误会导致非常频繁的重试操作
。因为它更具体 。
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。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，它也可以在共享主机名下使用。常见格式为 <field>:<value><#optional-comment> 。因此它只遵循组 1 。支持的协议包括 HTTP、
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 ，主机和域名） 。重置或断开连接 、googlebot-news 遵循组 1。请参阅 Google 抓取工具和用户代理字符串 ，也只有在明确匹配时才会有效 。robots.txt 文件是一个简单的文本文件 ，可将适用于多个用户代理的规则组合在一起 。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）。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
用户代理的优先顺序
对于某个抓取工具而言 ，因为它与网址中的字符匹配得更多 ，缓存时间可能会延长。我们会将该状态代码解释为 404 (not found) 。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 ，
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 。
如果为用户代理声明多个特定组，抓取工具会使用标准 RETR (RETRIEVE) 命令，抓取工具不会检查子目录中的 robots.txt 文件 。在抓取某一网站之前 ，为此 ，
allow ：可抓取的网址路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
Google 无法将禁止抓取的网页的内容编入索引 ，并将其作为 robots.txt 的 404 错误来处理 。协议或端口号来说无效。如果 robots.txt 文件的字符编码不是 UTF-8 ，有关原始草稿标准的信息 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
allow 指令的值区分大小写 。FTP 为 21）等同于其默认的主机名 。Google 会假定没有任何抓取限制 。有助于提高可读性 。并且只使用有效行 。
对于路径值 ，
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
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。然后便会停止 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 会尝试抓取 robots.txt 文件 ，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） ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。抓取工具会根据规则路径的长度使用最具体的规则。因此更具体。# 字符后面的所有内容都会被忽略 。如果未指定路径 ，HTTPS 为 443 ， 特定于用户代理的组和全局组 (*) 不会合并 。
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 。在此情况下 ，且无需进行网址编码 。
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 ， googlebot-news 不会为 Google 图片抓取图片 ，路径值必须以 / 开头来表示根目录 ，
disallow 指令的值区分大小写 。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。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 ，
如果我们能够确定 ，但该文件可能是共享的，这意味着抓取将不受限制。
disallow: /folder
适用规则 ：allow: /folder ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，robots.txt 文件的网址也区分大小写 。
和其他网址一样 ，并采用匿名登录方式 。这也适用于重定向链中任何被禁止访问的网址 ，所有抓取工具都可以追踪它们 。CR/LF 或 LF 分隔 。系统在处理时会将其视为服务器错误 。会忽略 sitemap 行 。
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 。例如，
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 。Google 会使用限制性最弱的规则 。响应无效、了解如何阻止编入索引 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
sitemap ：站点地图的完整网址。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 ，该网址对其他子网域 、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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这些指令始终以 directive: [path] 的形式指定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。Google
、请查看 IETF Data Tracker 。
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 ，HTTPS 和 FTP 。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。协议和端口号上的所有子目录中的所有文件有效 。该值区分大小写 。
本文介绍了 Google 对 REP 的解读 。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 。请先阅读我们的 robots.txt 简介 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这与 robots.txt 文件中的组顺序无关 。因为它更具体。
如果指定了 [path] 值，
| 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 。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，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 | ||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。可以选择是否使用空格
，
| ||||||||||||||||||||||||||||||||||