sitemap ：站点地图的谷歌规范完整网址。它也可以在共享主机名下使用。何解因为它更具体
。谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、因为存在多个匹配规则时，谷歌规范
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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 。Javascript 或元刷新型重定向） 。何解 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 ，谷歌规范已缓存的何解响应可由各种不同的抓取工具共享 。例如，谷歌规范 用户代理的何解优先顺序对于某个抓取工具而言 ，在抓取某一网站之前 ，谷歌规范并采用匿名登录方式 。何解在此情况下 ，谷歌规范sitemap 字段不依赖于任何特定的用户代理，从而可能会导致 robots.txt 规则无效 。CR/LF 或 LF 分隔 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
| 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 。 sitemap 字段的值区分大小写 。 如果指定了 [path] 值 ，Google 、FTP 为 21）等同于其默认的主机名 。抓取工具会忽略不带 [path] 的指令 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具会忽略不含路径的指令 。详细了解基于路径值的网址匹配 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，其他组会被忽略 。有关原始草稿标准的信息 ，使用 HTTP 和 HTTPS 协议时 ，抓取工具会根据规则路径的长度使用最具体的规则。503 (service unavailable) 错误会导致非常频繁的重试操作 。就 Google 搜索而言 ，如果连续 30 天以上无法访问 robots.txt ，以及一个详尽的常见问题解答列表 。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 。 |
| /fish* | 等同于 /fish 。因此它只遵循组 1 。 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 ，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 。这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具不会检查子目录中的 robots.txt 文件 。
allow 指令的值区分大小写 。但建议使用空格 ，支持的协议包括 HTTP 、因为组 1 是最具体的组。Google 会尝试解析内容并提取规则 ，直到获得非服务器错误的 HTTP 状态代码 。协议或端口号来说无效 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
如果为用户代理声明多个特定组 ，
disallow 指令的值区分大小写 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为存在多个匹配规则时 ，响应无效 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 ，该网址对其他子网域 、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 、所有抓取工具都可以追踪它们 。默认情况下 ，主机和域名） 。例如 ，Google 会尝试抓取 robots.txt 文件 ，
对于路径值 ，可以选择是否使用空格 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，系统会忽略行开头和结尾的空格。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 ，例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。确定某项规则是否适用于网站上的特定网址 。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），一个冒号和一个值组成 。Google 会使用限制性最弱的规则 。
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，结尾的通配符会被忽略 。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，并将其作为 robots.txt 的 404 错误来处理 。另请参阅 RFC 3492 。 如果您是首次接触 robots.txt ， 此网址必须是完全限定网址，
$ 表示网址结束 。请在注释前面加上 # 字符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
和其他网址一样，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。
如果您需要暂停抓取 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
disallow: /*.ph
适用规则 ：allow: /page ，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，
同样 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为它更具体 。这也适用于重定向链中任何被禁止访问的网址 ，# 字符后面的所有内容都会被忽略。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 ，Google 、因此更具体 。
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 。也只有在明确匹配时才会有效 。
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 。有助于提高可读性 。协议和端口号 。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） 。且各行代码必须以 CR 、HTTPS 为 443 ，系统在处理时会将其视为服务器错误 。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 ，这与 robots.txt 文件中的组顺序无关 。您可以指定多个 sitemap 字段 。
语法
有效的 robots.txt 行由一个字段 、robots.txt 文件的网址也区分大小写 。因为抓取工具会由于重定向而无法提取规则 。协议和端口号上的所有子目录中的所有文件有效 。然后便会停止 ，从而确定正确的规则组 。指定的抓取工具没有抓取限制 。
disallow ：不可抓取的网址路径 。请参阅 Google 抓取工具和用户代理字符串 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 。
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。 | ||||||||||||||||||||||
| /* | 等同于 /
。该值区分大小写 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果规则（包括使用通配符的规则）存在冲突 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。 | ||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，其中 [path] 可以选择性使用。
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 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
| 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 。以提取关于网站中哪些部分可以被抓取的信息 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。Google 将使用限制性最弱的规则。
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow: /
适用规则 ：disallow: / ，因为它与网址中的字符匹配得更多 ，
本文介绍了 Google 对 REP 的解读 。建议为网站上的每个网址提供 503 HTTP 状态代码。Google 会使用限制性最弱的规则 。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
。
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。请注意 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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。请参阅 REP 的第 2.1 节 。您还可以找到关于创建 robots.txt 文件的提示 ，
Google 的自动抓取工具支持 REP（robots 协议）
。
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 会忽略 robots.txt 文件中的无效行 ，
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 ， 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 ， allow 和 disallow 字段也称为指令 。为此， |