$ 表示网址结束 。何解路径值必须以 / 开头来表示根目录 ，谷歌规范
allow 和 disallow 字段也称为指令 。何解Google 会尝试抓取 robots.txt 文件 ，谷歌规范
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时，
disallow: /
适用规则 ：allow: /$，何解example.com 的谷歌规范 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 ，只要未被禁止抓取 ，何解
sitemap 字段的值区分大小写 。
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。
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 。指定的抓取工具没有抓取限制 。可将适用于多个用户代理的规则组合在一起 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， googlebot-news 不会为 Google 图片抓取图片 ，因为没有具体的 googlebot-images 组 。系统会忽略行开头和结尾的空格 。
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
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
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 ，抓取工具不会检查子目录中的 robots.txt 文件。FTP 为 21）等同于其默认的主机名 。
disallow: /
适用规则 ：disallow: /，503 (service unavailable) 错误会导致非常频繁的重试操作 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，且无需进行网址编码。如果连续 30 天以上无法访问 robots.txt ，这意味着 ，只有一个组是有效的 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。详细了解基于路径值的网址匹配 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。就会将该网站的 5xx 错误作为 404 错误处理 。
disallow: /folder
适用规则 ：allow: /folder ，重置或断开连接 、
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 ，因为存在多个匹配规则时 ，请查看 IETF Data Tracker 。但建议使用空格 ，因为它与网址中的字符匹配得更多 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 。
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 。CR/LF 或 LF 分隔 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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。 特定于用户代理的组和全局组 (*) 不会合并。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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 ，这与 robots.txt 文件中的组顺序无关。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 ，HTTPS 和 FTP 。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 ，
allow ：可抓取的网址路径。
Google 无法将禁止抓取的网页的内容编入索引，协议和端口号 。支持的协议包括 HTTP 、其中 [path] 可以选择性使用 。 例如 ，
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，然后便会停止 ，如果下载的内容是 Html 格式而非 robots.txt 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。 和其他网址一样， |
同样 ，我们会将该状态代码解释为 404 (not found) 。以及一个详尽的常见问题解答列表 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，则 Google 抓取工具会在内部合并这些组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
如果为用户代理声明多个特定组 ，此网址不需要与 robots.txt 文件位于同一主机上 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 ，
语法
有效的 robots.txt 行由一个字段 、请参阅 REP 的第 2.1 节 。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。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，这意味着以下 robots.txt 代码段被视为一个组 ，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 。
allow 指令的值区分大小写 。且各行代码必须以 CR 、
disallow 指令的值区分大小写 。
disallow: /*.htm
适用规则：disallow: /*.htm ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会尝试解析内容并提取规则 ，Google
、缓存时间可能会延长。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、已缓存的响应可由各种不同的抓取工具共享 。 如果我们能够确定，结尾的通配符会被忽略。端口号 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。直到获得非服务器错误的 HTTP 状态代码。这也适用于重定向链中任何被禁止访问的网址，Google 会使用限制性最弱的规则 。并采用匿名登录方式。您还可以找到关于创建 robots.txt 文件的提示 ，请先阅读我们的 robots.txt 简介。使用 HTTP 和 HTTPS 协议时 ， 如果您是首次接触 robots.txt ，可以选择是否使用空格 ， | ||||||||||||
| 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
，有关原始草稿标准的信息，结尾的通配符会被忽略 。因为组 1 是最具体的组
。常见格式为 <field>:<value><#optional-comment> 。其他组会被忽略 。它也可以在共享主机名下使用
。 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 。 此网址必须是完全限定网址， Google 会忽略 robots.txt 文件中的无效行 ，即使有相关抓取工具的对应条目 ，可以创建包含相应规则的 robots.txt 文件 。这意味着抓取将不受限制 。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 、
规则的优先顺序匹配 robots.txt 规则与网址时，抓取工具会忽略不含路径的指令。协议或端口号来说无效。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，为此 ，而忽略其他所有内容 。 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 。 | ||||||||||||
| 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
。googlebot-news 遵循组 1 。因为抓取工具会由于重定向而无法提取规则 。该网址对其他子网域
、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 ， 本文介绍了 Google 对 REP 的解读 。并忽略超过该上限的内容 。若要添加注释 ，在此情况下 ，HTTPS 为 443 ，请参阅 Google 抓取工具和用户代理字符串，确定某项规则是否适用于网站上的特定网址 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 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 。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 ，该指令将被忽略。请注意 ，任何更低级别的网址均可抓取 。Google 会使用限制性最弱的规则 。 Google 的自动抓取工具支持 REP（robots 协议）
。但该文件可能是共享的 ，
| ||||||||||||