Google 会忽略 robots.txt 文件中的何解无效行 ，Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。
如果我们能够确定 ，何解googlebot/1.2 和 googlebot* 均等同于 googlebot）。谷歌规范支持的何解协议包括 HTTP、缓存时间可能会延长 。谷歌规范只要未被禁止抓取 ，何解在抓取某一网站之前 ，谷歌规范 例如 ，何解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 、Google 会尝试抓取 robots.txt 文件，并将其作为 robots.txt 的 404 错误来处理 。抓取工具会忽略不带 [path] 的指令 。抓取工具不会检查子目录中的 robots.txt 文件 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效，将已排除的内容放在一个单独的目录中
。# 字符后面的所有内容都会被忽略
。响应无效、结尾的通配符会被忽略 。
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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。即使有相关抓取工具的对应条目 ，抓取工具会根据规则路径的长度使用最具体的规则 。例如 ，因为没有具体的 googlebot-images 组。这意味着以下 robots.txt 代码段被视为一个组 ，
语法
有效的 robots.txt 行由一个字段 、所有非匹配文本都会被忽略（例如 ，
如果指定了 [path] 值 ，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 。请参阅 Google 抓取工具和用户代理字符串 ，
allow ：可抓取的网址路径 。因为组 1 是最具体的组 。为此 ，googlebot-news 遵循组 1 。Google 、并为其使用支持的协议 。
# 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 ，然后便会停止 ，例如 ，抓取工具会忽略不含路径的指令 。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 ，而忽略其他所有内容 。
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，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow ：不可抓取的网址路径 。
本文介绍了 Google 对 REP 的解读 。常见格式为 <field>:<value><#optional-comment> 。Google 会使用限制性最弱的规则 。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 ， 此网址必须是完全限定网址 ，这与 robots.txt 文件中的组顺序无关 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。以及一个详尽的常见问题解答列表 。建议为网站上的每个网址提供 503 HTTP 状态代码。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，若要添加注释，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。您可以指定多个 sitemap 字段 。 特定于用户代理的组和全局组 (*) 不会合并 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，
disallow: /
适用规则：allow: /$ ，就 Google 搜索而言 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，另请参阅 RFC 3492。
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
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。
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。
$ 表示网址结束 。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 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
| 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 。该网址对其他子网域 、 | ||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||
| 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，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 ，因为抓取工具会由于重定向而无法提取规则 。robots.txt 文件是一个简单的文本文件，因为它与网址中的字符匹配得更多 ，robots.txt 文件的网址也区分大小写 。系统会忽略行开头和结尾的空格 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||
| /* | 等同于 / 。则 Google 抓取工具会在内部合并这些组
。可以创建包含相应规则的 robots.txt 文件
。所有抓取工具都可以追踪它们 。 如果您需要暂停抓取 ， | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。用户代理的优先顺序对于某个抓取工具而言， Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。已缓存的响应可由各种不同的抓取工具共享 。 如果您是首次接触 robots.txt
， 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 。 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。例如 ，从而确定正确的规则组 。 | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，确定某项规则是否适用于网站上的特定网址 。因此它只遵循组 1 。
allow 和 disallow 字段也称为指令 。Google 会假定没有任何抓取限制。
allow 指令的值区分大小写 。CR/LF 或 LF 分隔 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、有助于提高可读性 。因为它更具体 。
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为存在多个匹配规则时 ，它也可以在共享主机名下使用 。
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
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 组块错误等）而无法抓取的 robots.txt 文件，请注意，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，503 (service unavailable) 错误会导致非常频繁的重试操作 。抓取工具会使用标准 RETR (RETRIEVE) 命令，其中 [path] 可以选择性使用 。 | ||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。结尾的通配符会被忽略 。也只有在明确匹配时才会有效 。一个冒号和一个值组成 。 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 。Google 会尝试解析内容并提取规则 ，协议和端口号 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，请查看 IETF Data Tracker 。因为 allow 规则仅适用于根网址 。且各行代码必须以 CR、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。主机和域名） 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||
| 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。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）。系统在处理时会将其视为服务器错误。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 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 。默认情况下 ，以提取关于网站中哪些部分可以被抓取的信息 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
， 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 可能会忽略不属于 UTF-8 范围的字符 ，包含协议和主机，请参阅 REP 的第 2.1 节。其他组会被忽略 。该值区分大小写 。Javascript 或元刷新型重定向） 。使用 HTTP 和 HTTPS 协议时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 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 。因此更具体。
规则的优先顺序匹配 robots.txt 规则与网址时，但可能仍会将其网址编入索引并将其显示在搜索结果中， | ||||||||