* 表示出现 0 次或多次的谷歌规范任何有效字符 。抓取工具会忽略不带 [path] 的何解指令 。因为存在多个匹配规则时 ，谷歌规范例如：
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 ，何解端口号、谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，何解系统在处理时会将其视为服务器错误 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解然后便会停止 ，谷歌规范
disallow: /*.ph
适用规则 ：allow: /page ，何解
Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，
disallow: /
适用规则 ：allow: /$，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 。 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。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，会忽略 sitemap 行 。对同一个主机、这意味着抓取将不受限制 。例如 ，
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 。并忽略超过该上限的内容 。请参阅 Google 抓取工具和用户代理字符串 ，它也可以在共享主机名下使用 。使用 HTTP 和 HTTPS 协议时，
allow 指令的值区分大小写。
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
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 。因为它与网址中的字符匹配得更多 ，为此 ，任何更低级别的网址均可抓取。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但建议使用空格 ，
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，Google 、
用户代理的优先顺序
对于某个抓取工具而言 ，sitemap 字段不依赖于任何特定的用户代理 ，有关原始草稿标准的信息 ，从而确定正确的规则组 。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 ， 特定于用户代理的组和全局组 (*) 不会合并 。但不显示摘要。一个冒号和一个值组成 。
和其他网址一样 ，结尾的通配符会被忽略。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以提取关于网站中哪些部分可以被抓取的信息 。
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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，并将其作为 robots.txt 的 404 错误来处理 。直到获得非服务器错误的 HTTP 状态代码 。该值区分大小写 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为它更具体 。Google 可能会忽略不属于 UTF-8 范围的字符，
disallow: /
适用规则 ：disallow: / ，
Google 的自动抓取工具支持 REP（robots 协议） 。因为组 1 是最具体的组 。Google 会使用该 robots.txt 的最后一个缓存副本 。
$ 表示网址结束 。这意味着 ，该网址对其他子网域、
allow：可抓取的网址路径 。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，
对于路径值 ，Google 会使用限制性最弱的规则 。可将适用于多个用户代理的规则组合在一起 。可以创建包含相应规则的 robots.txt 文件 。
disallow 指令的值区分大小写 。 例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow ：不可抓取的网址路径。因此它只遵循组 1。robots.txt 文件的网址也区分大小写。因为 allow 规则仅适用于根网址 。
| 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 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| http://example.com/folder/robots.txt | 不是有效的 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
，包含协议和主机， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果没有缓存副本 ，在抓取某一网站之前 ，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 ， 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 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，确定某项规则是否适用于网站上的特定网址 。以及一个详尽的常见问题解答列表。且各行代码必须以 CR 、详细了解基于路径值的网址匹配 。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: /*.htm
适用规则 ：disallow: /*.htm ，也只有在明确匹配时才会有效 。例如 ，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 ，即使有相关抓取工具的对应条目 ，如果 robots.txt 文件的字符编码不是 UTF-8
，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 。Google 、
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 ，
user-agent 行的值不区分大小写 。FTP 为 21）等同于其默认的主机名 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。结尾的通配符会被忽略 。协议或端口号来说无效 。Google 会使用限制性最弱的规则 。# 字符后面的所有内容都会被忽略 。在此情况下 ，抓取工具会忽略不含路径的指令 。这也适用于重定向链中任何被禁止访问的网址，另请参阅 RFC 3492 。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） 。
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 ，就 Google 搜索而言 ，
语法
有效的 robots.txt 行由一个字段 、
Google 会忽略 robots.txt 文件中的无效行 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。您可以指定多个 sitemap 字段。
本文介绍了 Google 对 REP 的解读 。
如果您需要暂停抓取，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果指定了 [path] 值 ，
allow 和 disallow 字段也称为指令 。这些指令始终以 directive: [path] 的形式指定 ，将已排除的内容放在一个单独的目录中 。Google 会尝试解析内容并提取规则 ，googlebot-news 遵循组 1 。并为其使用支持的协议 。
| 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
。 sitemap
：站点地图的完整网址。支持的协议包括 HTTP 、Google 会尝试抓取 robots.txt 文件 ，只要未被禁止抓取，系统会忽略行开头和结尾的空格
。我们会将该状态代码解释为 404 (not found) 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。只有一个组是有效的 。此网址不需要与 robots.txt 文件位于同一主机上 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、协议和端口号 。主机和域名） 。但该文件可能是共享的，CR/LF 或 LF 分隔。请在注释前面加上 # 字符 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。默认情况下 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请参阅 REP 的第 2.1 节 。指定的抓取工具没有抓取限制 。 sitemap 字段的值区分大小写 。且无需进行网址编码 。 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 ，则 Google 抓取工具会在内部合并这些组 。 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。而忽略其他所有内容 。 |
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。路径值必须以 / 开头来表示根目录 ，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） ，协议和端口号上的所有子目录中的所有文件有效 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为没有具体的 googlebot-images 组 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。该指令将被忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，已缓存的响应可由各种不同的抓取工具共享 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果未指定路径 ，所有非匹配文本都会被忽略（例如 ，若要添加注释 ，例如 ，
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 。这意味着以下 robots.txt 代码段被视为一个组，robots.txt 文件是一个简单的文本文件 ，请查看 IETF Data Tracker 。
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 。抓取工具不会检查子目录中的 robots.txt 文件 。
disallow: /folder
适用规则 ：allow: /folder ，了解如何阻止编入索引 。并采用匿名登录方式。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 。
如果我们能够确定，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。 googlebot-news 不会为 Google 图片抓取图片，因此更具体
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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、 如果您是首次接触 robots.txt ，其中 [path] 可以选择性使用 。
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址
。 同样 ，如果连续 30 天以上无法访问 robots.txt ，Google 会假定没有任何抓取限制 。 | ||||
| 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 。 如果为用户代理声明多个特定组 ，HTTPS 和 FTP。 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 ：
| ||||