和其他网址一样 ，谷歌规范结尾的何解通配符会被忽略 。在抓取某一网站之前 ，谷歌规范该指令将被忽略 。何解
disallow: /
适用规则 ：disallow: / ，谷歌规范这意味着抓取将不受限制 。何解会忽略 sitemap 行 。谷歌规范
同样，何解HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，如果未指定路径 ，何解然后便会停止 ，谷歌规范就 Google 搜索而言 ，何解
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的 robots.txt 行由一个字段、这些指令始终以 directive: [path] 的形式指定 ，
Google 会忽略 robots.txt 文件中的无效行 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，缓存时间可能会延长 。
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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） 。robots.txt 文件的网址也区分大小写 。 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 。也只有在明确匹配时才会有效 。抓取工具会忽略不含路径的指令 。因此它只遵循组 1 。
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。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 ，响应无效、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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，因为存在多个匹配规则时 ，Google 会假定没有任何抓取限制。
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，该网址对其他子网域、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它与网址中的字符匹配得更多 ，因为它更具体 。从而确定正确的规则组 。 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 ， user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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 robots.txt 文件的字符编码不是 UTF-8 ，结尾的通配符会被忽略 。
disallow: /
适用规则 ：allow: /$ ，例如，Google、这与 robots.txt 文件中的组顺序无关 。且无需进行网址编码 。一个冒号和一个值组成 。Google 会尝试解析内容并提取规则 ，googlebot-news 遵循组 1 。并为其使用支持的协议 。 特定于用户代理的组和全局组 (*) 不会合并 。请查看 IETF Data Tracker。协议和端口号 。但不显示摘要 。
如果我们能够确定 ，因为存在多个匹配规则时 ， 此网址必须是完全限定网址，其中 [path] 可以选择性使用 。CR/LF 或 LF 分隔 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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 。您还可以找到关于创建 robots.txt 文件的提示 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 ，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 ，
# 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 ，
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 。因为组 1 是最具体的组 。请在注释前面加上 # 字符 。协议或端口号来说无效 。您可以指定多个 sitemap 字段。因此更具体 。主机和域名） 。系统会忽略行开头和结尾的空格。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 ，
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。# 字符后面的所有内容都会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符。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 ，HTTPS 为 443 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。支持的协议包括 HTTP
、 如果您是首次接触 robots.txt，另请参阅 RFC 3492
。因为抓取工具会由于重定向而无法提取规则。有关原始草稿标准的信息 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 如果为用户代理声明多个特定组 ，请注意 ， $ 表示网址结束。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，包含协议和主机 ，
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 ， allow 和 disallow 字段也称为指令 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。robots.txt 文件是一个简单的文本文件 ，抓取工具不会检查子目录中的 robots.txt 文件 。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，从而可能会导致 robots.txt 规则无效 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||||||||||
| 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 。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。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 ， 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， | ||||||||||||||||||
| 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 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 、常见格式为 <field>:<value><#optional-comment> 。将已排除的内容放在一个单独的目录中。Google 会使用该 robots.txt 的最后一个缓存副本 。了解如何阻止编入索引 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。就会将该网站的 5xx 错误作为 404 错误处理 。重置或断开连接 、路径值必须以 / 开头来表示根目录 ，sitemap 字段不依赖于任何特定的用户代理，Google 可能会忽略不属于 UTF-8 范围的字符， | ||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，有助于提高可读性 。
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 ，所有非匹配文本都会被忽略（例如，以及一个详尽的常见问题解答列表 。
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） ，它也可以在共享主机名下使用 。
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 。因为它更具体。Google 会尝试抓取 robots.txt 文件 ，指定的抓取工具没有抓取限制 。