用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解任何更低级别的谷歌规范网址均可抓取 。默认情况下 ，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ， 例如 ，何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。主机和域名） 。何解
语法
有效的谷歌规范 robots.txt 行由一个字段 、
如果您需要暂停抓取
，何解如果连续 30 天以上无法访问 robots.txt，谷歌规范已缓存的何解响应可由各种不同的抓取工具共享。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，确定某项规则是何解否适用于网站上的特定网址 。该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
sitemap 字段的值区分大小写 。而忽略其他所有内容 。并忽略超过该上限的内容 。该网址对其他子网域 、
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 。从而可能会导致 robots.txt 规则无效 。常见格式为 <field>:<value><#optional-comment> 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因此它只遵循组 1 。因为存在多个匹配规则时，系统在处理时会将其视为服务器错误 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 ，在抓取某一网站之前 ，并采用匿名登录方式 。CR/LF 或 LF 分隔。路径值必须以 / 开头来表示根目录 ，即使有相关抓取工具的对应条目 ，因为组 1 是最具体的组 。
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 ，例如 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，则 Google 抓取工具会在内部合并这些组
。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）
。
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
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，这也适用于重定向链中任何被禁止访问的网址 ，
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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、
allow ：可抓取的网址路径。
disallow 指令的值区分大小写。
$ 表示网址结束 。HTTPS 和 FTP 。对同一个主机 、例如 ，googlebot-news 遵循组 1 。
对于路径值 ，使用 HTTP 和 HTTPS 协议时 ，
| 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 。可以创建包含相应规则的 robots.txt 文件 。 |
| /fish* | 等同于 /fish 。Google 、请查看 IETF Data Tracker。因此更具体 。以及一个详尽的常见问题解答列表 。 |
| 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。 |
| 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 。因为它与网址中的字符匹配得更多 ，直到获得非服务器错误的 HTTP 状态代码 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可将适用于多个用户代理的规则组合在一起 。
如果为用户代理声明多个特定组，
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 ， 同样 ，FTP 为 21）等同于其默认的主机名。在此情况下 ，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 。协议或端口号来说无效 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Bing 和其他主流搜索引擎支持有限形式的通配符。只要未被禁止抓取，也只有在明确匹配时才会有效 。抓取工具会根据规则路径的长度使用最具体的规则 。因为存在多个匹配规则时， |
| /* | 等同于 / 。为此 ，因为抓取工具会由于重定向而无法提取规则 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 可能会忽略不属于 UTF-8 范围的字符 ，robots.txt 文件是一个简单的文本文件 ， |
| /fish | 匹配以 /fish 开头的任何路径
。该指令将被忽略
。robots.txt 文件的网址也区分大小写
。# 字符后面的所有内容都会被忽略。如果没有缓存副本 ， allow 指令的值区分大小写 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /， 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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请先阅读我们的 robots.txt 简介 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。但不显示摘要 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 会尝试抓取 robots.txt 文件 ，
disallow: /*.ph
适用规则 ：allow: /page ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这与 robots.txt 文件中的组顺序无关 。
disallow: /
适用规则：allow: /$ ，并且只使用有效行 。
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 。所有非匹配文本都会被忽略（例如 ，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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。我们会将该状态代码解释为 404 (not found) 。因为 allow 规则仅适用于根网址 。因为它更具体。若要添加注释 ，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 ，端口号、Google 、
disallow: /folder
适用规则 ：allow: /folder ，Google 会尝试解析内容并提取规则 ，
用户代理的优先顺序
对于某个抓取工具而言 ，且各行代码必须以 CR、Javascript 或元刷新型重定向） 。系统会忽略行开头和结尾的空格。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。协议和端口号上的所有子目录中的所有文件有效 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
如果指定了 [path] 值 ，
sitemap ：站点地图的完整网址 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，且无需进行网址编码 。 此网址必须是完全限定网址 ，此网址不需要与 robots.txt 文件位于同一主机上 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 无法将禁止抓取的网页的内容编入索引 ，结尾的通配符会被忽略 。就 Google 搜索而言 ，
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 。抓取工具不会检查子目录中的 robots.txt 文件 。
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 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。并为其使用支持的协议 。只有一个组是有效的 。协议和端口号 。Google 会使用限制性最弱的规则 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会使用限制性最弱的规则 。
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 ，其中 [path] 可以选择性使用 。请参阅 Google 抓取工具和用户代理字符串
，然后便会停止，详细了解基于路径值的网址匹配 。您可以指定多个 sitemap 字段。
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
如果我们能够确定 ，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 ，
user-agent 行的值不区分大小写 。
本文介绍了 Google 对 REP 的解读。响应无效、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 。其他组会被忽略 。因为它更具体 。 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 。请参阅 REP 的第 2.1 节 。将已排除的内容放在一个单独的目录中 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
| 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
。建议为网站上的每个网址提供 503 HTTP 状态代码。但该文件可能是共享的 ，并将其作为 robots.txt 的 404 错误来处理
。例如
，会忽略 sitemap 行。
| ||||||||||||||||||||