allow 和 disallow 字段也称为指令。谷歌规范
sitemap 字段的何解值区分大小写 。
和其他网址一样 ，而忽略其他所有内容 。
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 ，googlebot-news 遵循组 1 。并为其使用支持的协议 。这意味着以下 robots.txt 代码段被视为一个组 ，包含协议和主机，其他组会被忽略 。因此它只遵循组 1 。
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 ，任何更低级别的网址均可抓取 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
disallow: /*.ph
适用规则 ：allow: /page ，因为它更具体 。协议或端口号来说无效。例如 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。例如，就会将该网站的 5xx 错误作为 404 错误处理 。请在注释前面加上 # 字符 。确定某项规则是否适用于网站上的特定网址 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 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 。
用户代理的优先顺序
对于某个抓取工具而言 ，FTP 为 21）等同于其默认的主机名 。
disallow: /folder
适用规则 ：allow: /folder ，协议和端口号 。
* 表示出现 0 次或多次的任何有效字符 。# 字符后面的所有内容都会被忽略 。因此更具体 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，HTTPS 为 443 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，它也可以在共享主机名下使用。如果 robots.txt 文件的字符编码不是 UTF-8 ，为此 ， 此网址必须是完全限定网址，从而可能会导致 robots.txt 规则无效
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但该文件可能是共享的 ，只要未被禁止抓取 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 ，可将适用于多个用户代理的规则组合在一起 。503 (service unavailable) 错误会导致非常频繁的重试操作 。这些指令始终以 directive: [path] 的形式指定，Google 会使用该 robots.txt 的最后一个缓存副本 。
本文介绍了 Google 对 REP 的解读 。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。如果连续 30 天以上无法访问 robots.txt ，并忽略超过该上限的内容 。
Google 会忽略 robots.txt 文件中的无效行 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
如果为用户代理声明多个特定组，指定的抓取工具没有抓取限制 。
同样 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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。如果规则（包括使用通配符的规则）存在冲突 ，这意味着抓取将不受限制 。重置或断开连接 、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，
robots.txt 文件中列出的规则只适用于该文件所在的主机、另请参阅 RFC 3492 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
对于路径值 ，Google 将使用限制性最弱的规则 。此网址不需要与 robots.txt 文件位于同一主机上 。因为存在多个匹配规则时 ，Google 会假定没有任何抓取限制 。这意味着 ，因为组 1 是最具体的组 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
$ 表示网址结束 。并且只使用有效行。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 ，
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，Javascript 或元刷新型重定向） 。
Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会根据规则路径的长度使用最具体的规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具不会检查子目录中的 robots.txt 文件 。
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 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， allow 指令的值区分大小写 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish
。在抓取某一网站之前 ，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） 。 Google 的自动抓取工具支持 REP（robots 协议） 。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， | ||||||||||||||||||||||||
| 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 。CR/LF 或 LF 分隔 。若要添加注释 ， | ||||||||||||||||||||||||
| 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 。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 、 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 。 allow ：可抓取的网址路径 。 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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以及一个详尽的常见问题解答列表 。这与 robots.txt 文件中的组顺序无关 。以提取关于网站中哪些部分可以被抓取的信息 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，常见格式为 <field>:<value><#optional-comment>。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、HTTPS 和 FTP 。 例如，我们会将该状态代码解释为 404 (not found)
。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。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。所有非匹配文本都会被忽略（例如 ，您可以指定多个 sitemap 字段 。 user-agent 行的值不区分大小写。Google 会尝试解析内容并提取规则 ， disallow 指令的值区分大小写。Google 可能会忽略不属于 UTF-8 范围的字符 ，该值区分大小写 。系统在处理时会将其视为服务器错误。支持的协议包括 HTTP
、了解如何阻止编入索引 。 | ||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。并采用匿名登录方式 。然后便会停止 ，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 ， | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，可以选择是否使用空格 ， 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 会使用限制性最弱的规则 。 如果您是首次接触 robots.txt， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
， | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。
规则的优先顺序匹配 robots.txt 规则与网址时 ，抓取工具会忽略不带 [path] 的指令 。robots.txt 文件的网址也区分大小写 。请查看 IETF Data Tracker 。 语法有效的 robots.txt 行由一个字段、因为存在多个匹配规则时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，则 Google 抓取工具会在内部合并这些组 。 如果指定了 [path] 值 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。
匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。且各行代码必须以 CR、该网址对其他子网域
、有关原始草稿标准的信息
，结尾的通配符会被忽略
。 如果您需要暂停抓取 ，因为它更具体 。Bing 和其他主流搜索引擎支持有限形式的通配符。建议为网站上的每个网址提供 503 HTTP 状态代码 。请参阅 Google 抓取工具和用户代理字符串， 如果我们能够确定 ，结尾的通配符会被忽略 。但建议使用空格，缓存时间可能会延长 。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，抓取工具会忽略不含路径的指令 。 googlebot-news 不会为 Google 图片抓取图片 ，
| ||||||||||||||||||||||||