如果我们能够确定 ，何解
disallow：不可抓取的谷歌规范网址路径 。并将其作为 robots.txt 的何解 404 错误来处理 。sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，也只有在明确匹配时才会有效 。何解已缓存的谷歌规范响应可由各种不同的抓取工具共享。
Google 无法将禁止抓取的何解网页的内容编入索引 ，了解如何阻止编入索引 。谷歌规范抓取工具会忽略不带 [path] 的何解指令 。 路径中的谷歌规范非 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 。
disallow: /*.ph
适用规则 ：allow: /page ，何解下面说明了抓取工具如何理解之前的谷歌规范 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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
user-agent 行的值不区分大小写 。CR/LF 或 LF 分隔 。包含协议和主机 ，这意味着以下 robots.txt 代码段被视为一个组 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
用户代理的优先顺序
对于某个抓取工具而言 ，robots.txt 文件的网址也区分大小写
。HTTP 组块错误等）而无法抓取的 robots.txt 文件，请注意
，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。
如果您需要暂停抓取
，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，协议和端口号上的所有子目录中的所有文件有效 。
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 。从而可能会导致 robots.txt 规则无效 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、然后便会停止 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
语法
有效的 robots.txt 行由一个字段 、googlebot-news 遵循组 1 。 例如 ，只要未被禁止抓取 ，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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，其中 [path] 可以选择性使用 。
disallow: /folder
适用规则 ：allow: /folder ，robots.txt 文件是一个简单的文本文件，例如 ，
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
本文介绍了 Google 对 REP 的解读 。Google 会尝试解析内容并提取规则 ，请参阅 REP 的第 2.1 节。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，因此它只遵循组 1。且各行代码必须以 CR 、此网址不需要与 robots.txt 文件位于同一主机上 。
sitemap ：站点地图的完整网址 。请先阅读我们的 robots.txt 简介。如果连续 30 天以上无法访问 robots.txt ，有关原始草稿标准的信息 ，例如 ，任何更低级别的网址均可抓取 。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 ， googlebot-news 不会为 Google 图片抓取图片 ，主机和域名） 。 如果您是首次接触 robots.txt ， 特定于用户代理的组和全局组 (*) 不会合并 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 、使用 HTTP 和 HTTPS 协议时 ，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。请查看 IETF Data Tracker 。
allow 指令的值区分大小写 。
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 。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
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
对于路径值，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 。并为其使用支持的协议 。
和其他网址一样 ，对同一个主机 、如果未指定路径 ，FTP 为 21）等同于其默认的主机名 。抓取工具不会检查子目录中的 robots.txt 文件。系统在处理时会将其视为服务器错误 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，抓取工具会根据规则路径的长度使用最具体的规则。
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 。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 ，Google、
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，结尾的通配符会被忽略。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 ，支持的协议包括 HTTP 、抓取工具会忽略不含路径的指令。请参阅 Google 抓取工具和用户代理字符串 ，
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。直到获得非服务器错误的 HTTP 状态代码。
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 ，您可以指定多个 sitemap 字段 。 此网址必须是完全限定网址 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
allow ：可抓取的网址路径。该值区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为组 1 是最具体的组。因为抓取工具会由于重定向而无法提取规则 。因为它更具体 。端口号、Google 会使用限制性最弱的规则 。可以选择是否使用空格 ，它也可以在共享主机名下使用 。响应无效、路径值必须以 / 开头来表示根目录 ，并采用匿名登录方式 。
$ 表示网址结束 。所有非匹配文本都会被忽略（例如 ，
同样，
allow 和 disallow 字段也称为指令 。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 ，Google 将使用限制性最弱的规则 。
* 表示出现 0 次或多次的任何有效字符 。
匹配项
：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
如果指定了 [path] 值 ，会忽略 sitemap 行 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 、
sitemap 字段的值区分大小写 。而忽略其他所有内容 。这也适用于重定向链中任何被禁止访问的网址 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因此更具体 。并忽略超过该上限的内容 。这意味着 ，
disallow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 。因为 allow 规则仅适用于根网址。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Bing 和其他主流搜索引擎支持有限形式的通配符 。# 字符后面的所有内容都会被忽略。以及一个详尽的常见问题解答列表 。这意味着抓取将不受限制 。
Google 会忽略 robots.txt 文件中的无效行 ，为此 ，该网址对其他子网域 、
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，Javascript 或元刷新型重定向） 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略。可以创建包含相应规则的 robots.txt 文件 。且无需进行网址编码 。如果 robots.txt 文件的字符编码不是 UTF-8 ，协议和端口号 。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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、在抓取某一网站之前，一个冒号和一个值组成 。默认情况下， 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 。有助于提高可读性 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。以提取关于网站中哪些部分可以被抓取的信息。例如 ， 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://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，只有一个组是有效的。因为它更具体 。缓存时间可能会延长。
| ||||||||||||||||||||