文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，
user-agent 行的何解值不区分大小写 。该网址对其他子网域 、谷歌规范也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范以及一个详尽的何解常见问题解答列表 。服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时）， allow 和 disallow 字段也称为指令 。谷歌规范例如 ，何解 示例 user-agent 字段的谷歌规范匹配情况 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时，您还可以找到关于创建 robots.txt 文件的提示 ，因为组 1 是最具体的组 。 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 。重置或断开连接 、并采用匿名登录方式 。协议和端口号上的所有子目录中的所有文件有效 。使用 HTTP 和 HTTPS 协议时 ，因为它更具体 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，因为它更具体
。协议和端口号 。支持的协议包括 HTTP 、这意味着抓取将不受限制 。 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 。并将其作为 robots.txt 的 404 错误来处理。抓取工具不会检查子目录中的 robots.txt 文件 。任何更低级别的网址均可抓取 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。所有抓取工具都可以追踪它们 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||
| 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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。googlebot-news 遵循组 1 。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。但建议使用空格 ，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 。 | ||||||||||||||||||||
| /* | 等同于 / 。抓取工具会忽略不带 [path] 的指令 。只有一个组是有效的 。 | ||||||||||||||||||||
| 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。 sitemap 字段的值区分大小写。 | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。FTP 为 21）等同于其默认的主机名
。 Google 无法将禁止抓取的网页的内容编入索引， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，因为存在多个匹配规则时 ，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 。 | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， disallow 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 ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ，因为 allow 规则仅适用于根网址 。Google 可能会忽略不属于 UTF-8 范围的字符，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 、端口号 、Google 会假定没有任何抓取限制 。而忽略其他所有内容。可将适用于多个用户代理的规则组合在一起 。建议为网站上的每个网址提供 503 HTTP 状态代码 。sitemap 字段不依赖于任何特定的用户代理 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||
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 ，主机和域名） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。HTTPS 为 443
，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 ，这些指令始终以 directive: [path] 的形式指定 ，
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。例如 ，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 。 特定于用户代理的组和全局组 (*) 不会合并 。例如 ，
disallow: /*.ph
适用规则 ：allow: /page，Google 将使用限制性最弱的规则 。Google 会使用该 robots.txt 的最后一个缓存副本 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，该指令将被忽略。Google 会尝试抓取 robots.txt 文件 ，
disallow: /folder
适用规则 ：allow: /folder，然后便会停止 ，
disallow: /
适用规则 ：disallow: / ，从而可能会导致 robots.txt 规则无效。会忽略 sitemap 行。响应无效、在抓取某一网站之前 ，一个冒号和一个值组成 。如果 robots.txt 文件的字符编码不是 UTF-8，Google 会使用限制性最弱的规则 。若要添加注释 ，因为没有具体的 googlebot-images 组 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，我们会将该状态代码解释为 404 (not found) 。为此 ，因此它只遵循组 1 。
对于路径值 ，其他组会被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请先阅读我们的 robots.txt 简介。系统会忽略行开头和结尾的空格。就 Google 搜索而言，请参阅 REP 的第 2.1 节。如果未指定路径 ，
Google 的自动抓取工具支持 REP（robots 协议） 。可以选择是否使用空格 ，路径值必须以 / 开头来表示根目录 ，这意味着 ，以提取关于网站中哪些部分可以被抓取的信息。
sitemap ：站点地图的完整网址 。可以创建包含相应规则的 robots.txt 文件 。
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 。它也可以在共享主机名下使用。 例如 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
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。
语法
有效的 robots.txt 行由一个字段、例如 ，
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 ，常见格式为 <field>:<value><#optional-comment> 。缓存时间可能会延长 。
如果为用户代理声明多个特定组，
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 ，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 。此网址不需要与 robots.txt 文件位于同一主机上 。robots.txt 文件是一个简单的文本文件 ，有助于提高可读性。
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 。直到获得非服务器错误的 HTTP 状态代码 。
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
allow 指令的值区分大小写 。因为存在多个匹配规则时 ，Google 、请在注释前面加上 # 字符 。包含协议和主机 ，从而确定正确的规则组 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，了解如何阻止编入索引
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 如果您是首次接触 robots.txt
，请查看 IETF Data Tracker 。系统在处理时会将其视为服务器错误 。
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
同样，
# 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 ，并忽略超过该上限的内容 。CR/LF 或 LF 分隔。您可以指定多个 sitemap 字段 。且各行代码必须以 CR 、 此网址必须是完全限定网址，在此情况下 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
和其他网址一样 ，HTTPS 和 FTP 。
allow：可抓取的网址路径。