如果指定了 [path] 值 ，何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。但该文件可能是谷歌规范共享的 ，Google 会使用限制性最弱的何解规则。但不显示摘要 。谷歌规范Javascript 或元刷新型重定向） 。何解详细了解基于路径值的谷歌规范网址匹配。在抓取某一网站之前 ，何解 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 。但建议使用空格 ，何解
disallow 指令的谷歌规范值区分大小写。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
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。
对于路径值 ，
同样 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，就 Google 搜索而言 ，这也适用于重定向链中任何被禁止访问的网址 ，这意味着 ，因为组 1 是最具体的组。
和其他网址一样 ，并忽略超过该上限的内容 。因此它只遵循组 1。
disallow: /folder
适用规则 ：allow: /folder ，Google 、以提取关于网站中哪些部分可以被抓取的信息 。有关原始草稿标准的信息 ，Google 会使用该 robots.txt 的最后一个缓存副本。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 ，即使有相关抓取工具的对应条目，例如 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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） 。
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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap ：站点地图的完整网址 。结尾的通配符会被忽略 。从而可能会导致 robots.txt 规则无效 。
用户代理的优先顺序
对于某个抓取工具而言 ，
如果为用户代理声明多个特定组 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件的网址也区分大小写 。
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，就会将该网站的 5xx 错误作为 404 错误处理 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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
，然后便会停止 ，
如果您需要暂停抓取 ，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 ，
| 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 。 | ||||||
| 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。该值区分大小写 。它也可以在共享主机名下使用 。可以选择是否使用空格 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。此网址不需要与 robots.txt 文件位于同一主机上。请参阅 Google 抓取工具和用户代理字符串 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，路径值必须以 / 开头来表示根目录，robots.txt 文件是一个简单的文本文件 ， | ||||||
disallow: /
适用规则 ：disallow: / ，
disallow: /
适用规则 ：allow: /$ ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，重置或断开连接、
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，请先阅读我们的 robots.txt 简介 。如果没有缓存副本 ，Google 将使用限制性最弱的规则 。 sitemap 字段的值区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ，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 ， | ||||||||
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80，并为其使用支持的协议 。 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。会忽略 sitemap 行。您还可以找到关于创建 robots.txt 文件的提示， user-agent 行的值不区分大小写 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，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。所有抓取工具都可以追踪它们 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，则 Google 抓取工具会在内部合并这些组 。结尾的通配符会被忽略。 allow 指令的值区分大小写。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，直到获得非服务器错误的 HTTP 状态代码 。例如 ，常见格式为 <field>:<value><#optional-comment> 。 allow 和 disallow 字段也称为指令 。抓取工具不会检查子目录中的 robots.txt 文件 。因为抓取工具会由于重定向而无法提取规则 。并且只使用有效行 。 | ||||||||
| http://www.exämple.com/robots.txt | 适用于： 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 。主机和域名） 。默认情况下 ，一个冒号和一个值组成 。系统在处理时会将其视为服务器错误 。 allow ：可抓取的网址路径 。HTTPS 为 443 ， 例如 ，如果未指定路径 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，HTTPS 和 FTP。这意味着以下 robots.txt 代码段被视为一个组，请在注释前面加上 # 字符。建议为网站上的每个网址提供 503 HTTP 状态代码。
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
。若要添加注释 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具会忽略不含路径的指令 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。包含协议和主机
，可将适用于多个用户代理的规则组合在一起 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。因为它更具体 。且无需进行网址编码 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因为存在多个匹配规则时，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，协议和端口号 。 googlebot-news 不会为 Google 图片抓取图片，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） ，Google 会尝试解析内容并提取规则 ，协议和端口号上的所有子目录中的所有文件有效。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，也只有在明确匹配时才会有效 。
Google 无法将禁止抓取的网页的内容编入索引 ，请查看 IETF Data Tracker 。为此 ，
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 。其中 [path] 可以选择性使用 。
$ 表示网址结束。对同一个主机 、系统会忽略行开头和结尾的空格 。
Google 会忽略 robots.txt 文件中的无效行 ，sitemap 字段不依赖于任何特定的用户代理 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。例如 ，# 字符后面的所有内容都会被忽略 。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 、因为它与网址中的字符匹配得更多 ，
* 表示出现 0 次或多次的任何有效字符 。且各行代码必须以 CR 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并采用匿名登录方式 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。已缓存的响应可由各种不同的抓取工具共享
。协议或端口号来说无效
。并将其作为 robots.txt 的 404 错误来处理 。Google 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问。因为存在多个匹配规则时，确定某项规则是否适用于网站上的特定网址。端口号、
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
disallow: /*.ph
适用规则 ：allow: /page ，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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，
如果我们能够确定 ，
语法
有效的 robots.txt 行由一个字段 、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 。
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。另请参阅 RFC 3492 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。有助于提高可读性 。将已排除的内容放在一个单独的目录中 。
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
Google 的自动抓取工具支持 REP（robots 协议）。