用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解系统会忽略行开头和结尾的谷歌规范空格 。
Google 的何解自动抓取工具支持 REP（robots 协议）。且无需进行网址编码 。谷歌规范sitemap 字段不依赖于任何特定的何解用户代理，
什么是谷歌规范 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，有助于提高可读性 。何解只要未被禁止抓取 ，谷歌规范
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 。但该文件可能是共享的，任何更低级别的网址均可抓取 。Google 、就 Google 搜索而言 ，这些通配符包括
：
* 表示出现 0 次或多次的任何有效字符 。FTP 为 21）等同于其默认的主机名 。了解如何阻止编入索引 。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 。
user-agent 行的值不区分大小写。而忽略其他所有内容 。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，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可以创建包含相应规则的 robots.txt 文件 。协议或端口号来说无效 。一个冒号和一个值组成。指定的抓取工具没有抓取限制 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， |
| Googlebot Images | googlebot-images 遵循组 2 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因为抓取工具会由于重定向而无法提取规则 。
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。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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，常见格式为 <field>:<value><#optional-comment> 。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 ，robots.txt 文件的网址也区分大小写 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，主机和域名） 。
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
| 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 。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、HTTPS 和 FTP 。例如 ， 如果指定了 [path] 值 ，CR/LF 或 LF 分隔 。这意味着 ，
| ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果您需要暂停抓取
，这与 robots.txt 文件中的组顺序无关
。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 ， 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 。可以选择是否使用空格 ，因为它与网址中的字符匹配得更多 ， 用户代理的优先顺序对于某个抓取工具而言 ，就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 可能会忽略不属于 UTF-8 范围的字符， | ||||||||||||||||
| 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 。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 。 $ 表示网址结束 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。缓存时间可能会延长 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 会使用该 robots.txt 的最后一个缓存副本 。因为它更具体 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 如果您是首次接触 robots.txt，将已排除的内容放在一个单独的目录中 。Google 会使用限制性最弱的规则 。支持的协议包括 HTTP 、该指令将被忽略 。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 ，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，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 ，即使有相关抓取工具的对应条目 ， 同样，以及一个详尽的常见问题解答列表 。 allow 指令的值区分大小写 。重置或断开连接、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、为此 ，请参阅 Google 抓取工具和用户代理字符串 ， Google 会忽略 robots.txt 文件中的无效行，# 字符后面的所有内容都会被忽略。也只有在明确匹配时才会有效 。HTTPS 为 443 ，并将其作为 robots.txt 的 404 错误来处理 。请注意，系统在处理时会将其视为服务器错误 。因为组 1 是最具体的组 。这些指令始终以 directive: [path] 的形式指定， | ||||||||||||||||
| /fish* | 等同于 /fish 。如果规则（包括使用通配符的规则）存在冲突，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。并采用匿名登录方式
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 语法有效的 robots.txt 行由一个字段、因此更具体。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，例如，协议和端口号 。 googlebot-news 不会为 Google 图片抓取图片 ，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 。结尾的通配符会被忽略 。详细了解基于路径值的网址匹配 。 本文介绍了 Google 对 REP 的解读 。这意味着以下 robots.txt 代码段被视为一个组，因为存在多个匹配规则时 ，
规则的优先顺序匹配 robots.txt 规则与网址时，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 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 ，Google 会使用限制性最弱的规则 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具会忽略不带 [path] 的指令。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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" ，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） ， sitemap 字段的值区分大小写 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、确定某项规则是否适用于网站上的特定网址 。Google 将使用限制性最弱的规则 。 Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。 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
。且各行代码必须以 CR
、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），Google 会尝试解析内容并提取规则 ， 例如， | ||||||||||||||||