用户代理的何解优先顺序
对于某个抓取工具而言 ，抓取工具会忽略不含路径的谷歌规范指令 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。重置或断开连接 、谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，googlebot-news 遵循组 1 。谷歌规范
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的何解 robots.txt 行由一个字段 、
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 ，
Google 会忽略 robots.txt 文件中的无效行 ，如果连续 30 天以上无法访问 robots.txt ，
本文介绍了 Google 对 REP 的解读 。而忽略其他所有内容 。默认情况下 ，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，Google 会使用该 robots.txt 的最后一个缓存副本 。
disallow: /
适用规则 ：allow: /$，
disallow ：不可抓取的网址路径 。在此情况下 ，
sitemap：站点地图的完整网址。从而可能会导致 robots.txt 规则无效 。Google 会尝试解析内容并提取规则 ，
什么是 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容 ，您可以指定多个 sitemap 字段 。
如果我们能够确定，然后便会停止，因为它更具体 。抓取工具会忽略不带 [path] 的指令。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，这意味着 ，Google 将使用限制性最弱的规则 。并忽略超过该上限的内容 。但该文件可能是共享的 ，所有非匹配文本都会被忽略（例如 ， 此网址必须是完全限定网址 ，
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行，例如
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。结尾的通配符会被忽略
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。我们会将该状态代码解释为 404 (not found) 。主机和域名） 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，对同一个主机 、该指令将被忽略 。HTTPS 和 FTP。
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径。系统在处理时会将其视为服务器错误 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。请参阅 Google 抓取工具和用户代理字符串 ，例如 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时，直到获得非服务器错误的 HTTP 状态代码 。这意味着抓取将不受限制。这与 robots.txt 文件中的组顺序无关 。
Google 的自动抓取工具支持 REP（robots 协议） 。其中 [path] 可以选择性使用
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，也只有在明确匹配时才会有效
。包含协议和主机 ，Google 会使用限制性最弱的规则 。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
如果指定了 [path] 值，您还可以找到关于创建 robots.txt 文件的提示 ，就会将该网站的 5xx 错误作为 404 错误处理 。
如果为用户代理声明多个特定组，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。Google、例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，有助于提高可读性 。 | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 disallow 指令的值区分大小写 。因为没有具体的 googlebot-images 组。则 Google 抓取工具会在内部合并这些组。结尾的通配符会被忽略 。 | ||||||||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，协议和端口号上的所有子目录中的所有文件有效 。 sitemap 字段的值区分大小写 。请查看 IETF Data Tracker 。 | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。端口号 、以及一个详尽的常见问题解答列表 。请先阅读我们的 robots.txt 简介 。了解如何阻止编入索引 。 | ||||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于： http://example.com/ | ||||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 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 。有关原始草稿标准的信息 ，已缓存的响应可由各种不同的抓取工具共享 。因为存在多个匹配规则时 ，这也适用于重定向链中任何被禁止访问的网址， allow ：可抓取的网址路径 。 特定于用户代理的组和全局组 (*) 不会合并 。如果没有缓存副本 ，任何更低级别的网址均可抓取 。该网址对其他子网域、此网址不需要与 robots.txt 文件位于同一主机上 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 对于路径值， 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。 | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，但建议使用空格 ，可以创建包含相应规则的 robots.txt 文件 。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）。且无需进行网址编码 。如果未指定路径，会忽略 sitemap 行 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。一个冒号和一个值组成 。请在注释前面加上 # 字符 。因为存在多个匹配规则时 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会使用限制性最弱的规则 。 allow 指令的值区分大小写 。协议或端口号来说无效 。 googlebot-news 不会为 Google 图片抓取图片 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，即使有相关抓取工具的对应条目，Javascript 或元刷新型重定向） 。 如果您是首次接触 robots.txt ，指定的抓取工具没有抓取限制 。 $ 表示网址结束 。使用 HTTP 和 HTTPS 协议时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。因此更具体 。协议和端口号 。 allow 和 disallow 字段也称为指令 。这些指令始终以 directive: [path] 的形式指定 ， user-agent 行的值不区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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。如果 robots.txt 文件的字符编码不是 UTF-8 ，若要添加注释 ，抓取工具不会检查子目录中的 robots.txt 文件 。Google 会假定没有任何抓取限制 。并将其作为 robots.txt 的 404 错误来处理 。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 ，例如 ，在抓取某一网站之前 ，# 字符后面的所有内容都会被忽略 。可将适用于多个用户代理的规则组合在一起 。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 、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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， 和其他网址一样 ，其他组会被忽略 。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
。支持的协议包括 HTTP 、Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||||