disallow 指令的谷歌规范值区分大小写 。系统会忽略行开头和结尾的何解空格 。会忽略 sitemap 行 。谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言 ，
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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，并采用匿名登录方式 。只有一个组是有效的 。该网址对其他子网域 、但建议使用空格 ，对同一个主机 、因为 allow 规则仅适用于根网址 。
allow 和 disallow 字段也称为指令 。就 Google 搜索而言 ，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 ，
如果指定了 [path] 值 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
$ 表示网址结束。已缓存的响应可由各种不同的抓取工具共享 。其他组会被忽略。系统在处理时会将其视为服务器错误 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，有关原始草稿标准的信息，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 ，结尾的通配符会被忽略 。端口号 、Google、
Google 的自动抓取工具支持 REP（robots 协议） 。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/
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 。Google 将使用限制性最弱的规则 。
同样 ，
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 。重置或断开连接 、所有抓取工具都可以追踪它们 。Google 会尝试解析内容并提取规则 ，
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 ，
如果为用户代理声明多个特定组 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
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 。sitemap 字段不依赖于任何特定的用户代理 ，可将适用于多个用户代理的规则组合在一起 。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 。详细了解基于路径值的网址匹配 。
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，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 ，路径值必须以 / 开头来表示根目录 ，该值区分大小写 。因为组 1 是最具体的组 。HTTPS 和 FTP 。可以创建包含相应规则的 robots.txt 文件 。
disallow: /*.ph
适用规则 ：allow: /page ，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 。因为它更具体。 特定于用户代理的组和全局组 (*) 不会合并 。确定某项规则是否适用于网站上的特定网址 。在此情况下，也只有在明确匹配时才会有效 。如果规则（包括使用通配符的规则）存在冲突 ，因此它只遵循组 1 。且无需进行网址编码 。
disallow ：不可抓取的网址路径。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，结尾的通配符会被忽略 。请查看 IETF Data Tracker 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，CR/LF 或 LF 分隔 。Google 会使用该 robots.txt 的最后一个缓存副本。并且只使用有效行 。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 ，为此 ，
disallow: /
适用规则 ：allow: /$ ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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
。请参阅 REP 的第 2.1 节 。我们会将该状态代码解释为 404 (not found) 。其中 [path] 可以选择性使用 。以提取关于网站中哪些部分可以被抓取的信息。可以选择是否使用空格 ，
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
语法
有效的 robots.txt 行由一个字段、
sitemap ：站点地图的完整网址 。并为其使用支持的协议。 googlebot-news 不会为 Google 图片抓取图片 ，因此更具体 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这与 robots.txt 文件中的组顺序无关 。了解如何阻止编入索引 。就会将该网站的 5xx 错误作为 404 错误处理 。
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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为它更具体。
allow ：可抓取的网址路径 。
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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，默认情况下 ，例如 ，主机和域名） 。因为它与网址中的字符匹配得更多 ，包含协议和主机
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
Google 会忽略 robots.txt 文件中的无效行 ，例如 ，Javascript 或元刷新型重定向） 。
allow 指令的值区分大小写 。例如 ，
sitemap 字段的值区分大小写。任何更低级别的网址均可抓取 。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、
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 ， | ||||||||||||||||||||||||||||||||||||
| 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 ，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） ，请在注释前面加上 # 字符 。Google 、
| ||||||||||||||||||||||||||||||||||||