user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解请在注释前面加上 # 字符 。谷歌规范会忽略 sitemap 行 。何解 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范则 Google 抓取工具会在内部合并这些组 。何解路径值必须以 / 开头来表示根目录 ，谷歌规范直到获得非服务器错误的何解 HTTP 状态代码 。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 ，谷歌规范
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解Javascript 或元刷新型重定向） 。谷歌规范
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，且各行代码必须以 CR 、 例如 ，系统在处理时会将其视为服务器错误。该网址对其他子网域 、Bing 和其他主流搜索引擎支持有限形式的通配符 。因为 allow 规则仅适用于根网址 。
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 。只有一个组是有效的。并为其使用支持的协议 。所有抓取工具都可以追踪它们 。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，抓取工具会根据规则路径的长度使用最具体的规则 。因此它只遵循组 1 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。这也适用于重定向链中任何被禁止访问的网址 ，
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 。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，但不显示摘要 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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。协议和端口号上的所有子目录中的所有文件有效 。端口号 、默认情况下 ，另请参阅 RFC 3492 。在此情况下，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。它也可以在共享主机名下使用 。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 ，
本文介绍了 Google 对 REP 的解读 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，而忽略其他所有内容 。一个冒号和一个值组成 。若要添加注释 ，因此更具体 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
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 [path] 可以选择性使用 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为它更具体 。Google 会使用限制性最弱的规则 。Google 可能会忽略不属于 UTF-8 范围的字符 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。FTP 为 21）等同于其默认的主机名 。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。因为存在多个匹配规则时 ，
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 。 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 。因为它与网址中的字符匹配得更多 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow: /*.ph
适用规则 ：allow: /page ，已缓存的响应可由各种不同的抓取工具共享。任何更低级别的网址均可抓取 。因为抓取工具会由于重定向而无法提取规则。因为组 1 是最具体的组。Google 会使用限制性最弱的规则 。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，
allow ：可抓取的网址路径。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） ，
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 。
语法
有效的 robots.txt 行由一个字段 、包含协议和主机 ，从而确定正确的规则组 。系统会忽略行开头和结尾的空格。
allow 和 disallow 字段也称为指令 。可以选择是否使用空格 ，
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 Google 无法将禁止抓取的网页的内容编入索引 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， allow 指令的值区分大小写 。指定的抓取工具没有抓取限制。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、用户代理的优先顺序对于某个抓取工具而言 ，例如 ， | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。可以创建包含相应规则的 robots.txt 文件
。请参阅 Google 抓取工具和用户代理字符串 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。并采用匿名登录方式 。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，缓存时间可能会延长。然后便会停止 ，有关原始草稿标准的信息 ， | ||||||||||||
| 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
，Google 、 此网址必须是完全限定网址， 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 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。常见格式为 <field>:<value><#optional-comment>。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，如果连续 30 天以上无法访问 robots.txt， 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 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 $ 表示网址结束。所有非匹配文本都会被忽略（例如 ，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 。googlebot-news 遵循组 1 。且无需进行网址编码 。 | ||||||||||||
| 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。 如果您需要暂停抓取 ，这意味着以下 robots.txt 代码段被视为一个组， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。这些指令始终以 directive: [path] 的形式指定 ，抓取工具会忽略不带 [path] 的指令 。例如，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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。 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/folder/robots.txt | 不是有效的 robots.txt 文件。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 disallow 指令的值区分大小写 。 对于路径值 ， |
| /*.php | 匹配包含 .php 的任何路径 。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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请注意，以提取关于网站中哪些部分可以被抓取的信息 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
sitemap 字段的值区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，重置或断开连接、
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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，这与 robots.txt 文件中的组顺序无关 。了解如何阻止编入索引 。这意味着抓取将不受限制 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，如果未指定路径 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder，请参阅 REP 的第 2.1 节 。就 Google 搜索而言 ， 如果为用户代理声明多个特定组，请先阅读我们的 robots.txt 简介
。为此
，即使有相关抓取工具的对应条目 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，例如 ，
sitemap：站点地图的完整网址 。
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 。但建议使用空格 ，
user-agent 行的值不区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
Google 会忽略 robots.txt 文件中的无效行，但该文件可能是共享的 ，您可以指定多个 sitemap 字段 。
如果指定了 [path] 值 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。HTTPS 为 443，HTTP 组块错误等）而无法抓取的 robots.txt 文件，将已排除的内容放在一个单独的目录中。Google 会尝试解析内容并提取规则 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，响应无效 、并将其作为 robots.txt 的 404 错误来处理 。
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 ，
| 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 。请查看 IETF Data Tracker 。 |