语法
有效的谷歌规范 robots.txt 行由一个字段 、这些指令始终以 directive: [path] 的何解形式指定，
对于路径值 ，谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理。
匹配项
：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，下面说明了抓取工具如何理解之前的何解 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，
allow 和 disallow 字段也称为指令。谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解确定某项规则是谷歌规范否适用于网站上的特定网址 。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，
$ 表示网址结束 。该网址对其他子网域 、且各行代码必须以 CR 、并忽略超过该上限的内容 。Javascript 或元刷新型重定向） 。
本文介绍了 Google 对 REP 的解读 。FTP 为 21）等同于其默认的主机名 。
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
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 ，请查看 IETF Data Tracker。这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具会根据规则路径的长度使用最具体的规则 。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 ，
如果您需要暂停抓取，robots.txt 文件的网址也区分大小写 。指定的抓取工具没有抓取限制
。
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 ，这意味着抓取将不受限制 。系统会忽略行开头和结尾的空格 。因为它与网址中的字符匹配得更多 ，
allow：可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请参阅 Google 抓取工具和用户代理字符串 ，端口号 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，就 Google 搜索而言，然后便会停止 ， 特定于用户代理的组和全局组 (*) 不会合并 。
Google 的自动抓取工具支持 REP（robots 协议）。如果连续 30 天以上无法访问 robots.txt ，
Google 无法将禁止抓取的网页的内容编入索引，Google 可能会忽略不属于 UTF-8 范围的字符，
用户代理的优先顺序
对于某个抓取工具而言 ，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） 。但建议使用空格 ，robots.txt 文件是一个简单的文本文件 ，因为没有具体的 googlebot-images 组 。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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。googlebot-news 遵循组 1 。
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 。
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中，因为抓取工具会由于重定向而无法提取规则 。在抓取某一网站之前，
allow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令，
Google 支持以下字段：
user-agent
：标识相应规则适用于哪些抓取工具
。这意味着
，503 (service unavailable) 错误会导致非常频繁的重试操作。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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。则 Google 抓取工具会在内部合并这些组。即使有相关抓取工具的对应条目，若要添加注释 ，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: /*.ph
适用规则：allow: /page ，响应无效、包含协议和主机 ，系统在处理时会将其视为服务器错误。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
* 表示出现 0 次或多次的任何有效字符 。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 。
Google 会忽略 robots.txt 文件中的无效行 ，抓取工具不会检查子目录中的 robots.txt 文件 。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。例如 ，因此更具体 。
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 。但该文件可能是共享的 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。请先阅读我们的 robots.txt 简介。从而可能会导致 robots.txt 规则无效 。HTTPS 为 443 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，也只有在明确匹配时才会有效 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
同样 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，并采用匿名登录方式 。如果 robots.txt 文件的字符编码不是 UTF-8 ，从而确定正确的规则组。Google 会尝试抓取 robots.txt 文件 ，因为它更具体。您还可以找到关于创建 robots.txt 文件的提示，结尾的通配符会被忽略 。直到获得非服务器错误的 HTTP 状态代码 。
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，以及一个详尽的常见问题解答列表 。HTTPS 和 FTP 。
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 ，详细了解基于路径值的网址匹配
。另请参阅 RFC 3492 。了解如何阻止编入索引。以提取关于网站中哪些部分可以被抓取的信息 。默认情况下 ，它也可以在共享主机名下使用。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 。使用 HTTP 和 HTTPS 协议时
，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 、CR/LF 或 LF 分隔 。因为它更具体
。
如果我们能够确定 ，对同一个主机 、而忽略其他所有内容
。因为存在多个匹配规则时 ，协议和端口号上的所有子目录中的所有文件有效 。主机和域名） 。只要未被禁止抓取 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，将已排除的内容放在一个单独的目录中 。
disallow：不可抓取的网址路径 。如果没有缓存副本 ，重置或断开连接 、例如 ，这也适用于重定向链中任何被禁止访问的网址 ，抓取工具会忽略不带 [path] 的指令 。有关原始草稿标准的信息 ，该指令将被忽略。为此 ，
disallow 指令的值区分大小写。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。
和其他网址一样 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。因为组 1 是最具体的组 。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）
，路径值必须以 / 开头来表示根目录 ，常见格式为 <field>:<value><#optional-comment>
。 如果为用户代理声明多个特定组 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。缓存时间可能会延长 。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。其他组会被忽略 。Google 会使用限制性最弱的规则 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，请参阅 REP 的第 2.1 节 。
| ||||||||||||||||||||||||||||||