规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，谷歌规范如果规则（包括使用通配符的何解规则）存在冲突 ，这些通配符包括：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。包含协议和主机，何解但该文件可能是谷歌规范共享的 ，而忽略其他所有内容
。何解这意味着 ，谷歌规范结尾的何解通配符会被忽略。路径值必须以 / 开头来表示根目录 ，谷歌规范因为存在多个匹配规则时 ，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。系统会忽略行开头和结尾的空格
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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
如果指定了 [path] 值，
robots.txt 文件中列出的规则只适用于该文件所在的主机、所有抓取工具都可以追踪它们 。请在注释前面加上 # 字符 。抓取工具会忽略不含路径的指令。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 、因为它更具体 。指定的抓取工具没有抓取限制 。例如 ，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 ，
语法
有效的 robots.txt 行由一个字段 、该指令将被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。主机和域名）。抓取工具会根据规则路径的长度使用最具体的规则 。常见格式为 <field>:<value><#optional-comment> 。
disallow: /*.ph
适用规则 ：allow: /page ，确定某项规则是否适用于网站上的特定网址 。已缓存的响应可由各种不同的抓取工具共享 。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 。以及一个详尽的常见问题解答列表。因为它与网址中的字符匹配得更多 ，
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 。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。
如果为用户代理声明多个特定组 ，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 ，对同一个主机 、只有一个组是有效的 。并忽略超过该上限的内容 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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、若要添加注释 ，
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。
用户代理的优先顺序
对于某个抓取工具而言 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。然后便会停止，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） ， 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，HTTPS 为 443 ，这些指令始终以 directive: [path] 的形式指定 ，因为抓取工具会由于重定向而无法提取规则 。因为没有具体的 googlebot-images 组 。因此它只遵循组 1 。系统在处理时会将其视为服务器错误 。
disallow 指令的值区分大小写。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 将使用限制性最弱的规则 。 此网址必须是完全限定网址，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 。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 ，
user-agent 行的值不区分大小写 。
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 ，
disallow: /folder
适用规则 ：allow: /folder ，因为存在多个匹配规则时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会使用限制性最弱的规则 。该网址对其他子网域 、
如果我们能够确定，抓取工具不会检查子目录中的 robots.txt 文件 。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，从而确定正确的规则组 。抓取工具会忽略不带 [path] 的指令 。在此情况下，直到获得非服务器错误的 HTTP 状态代码。如果连续 30 天以上无法访问 robots.txt ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、另请参阅 RFC 3492 。
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 。googlebot-news 遵循组 1 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，并为其使用支持的协议。
disallow: /
适用规则 ：disallow: / ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，协议和端口号上的所有子目录中的所有文件有效 。建议为网站上的每个网址提供 503 HTTP 状态代码 。即使有相关抓取工具的对应条目 ， 如果您是首次接触 robots.txt ，
allow 和 disallow 字段也称为指令 。所有非匹配文本都会被忽略（例如，该值区分大小写。结尾的通配符会被忽略
。
如果您需要暂停抓取
，如果下载的内容是 Html 格式而非 robots.txt 规则 ，会忽略 sitemap 行
。
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会使用限制性最弱的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，就 Google 搜索而言，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，一个冒号和一个值组成。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
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 。 特定于用户代理的组和全局组 (*) 不会合并 。Google 会尝试解析内容并提取规则 ， 例如 ，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 ，# 字符后面的所有内容都会被忽略 。默认情况下 ，例如 ，
| 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 。 Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。
allow 指令的值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ， sitemap ：站点地图的完整网址 。 | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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://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 。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 。请先阅读我们的 robots.txt 简介 。Bing 和其他主流搜索引擎支持有限形式的通配符 。重置或断开连接 、请注意 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 sitemap 字段的值区分大小写 。 Google 会忽略 robots.txt 文件中的无效行，协议或端口号来说无效 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，503 (service unavailable) 错误会导致非常频繁的重试操作。但不显示摘要。请参阅 Google 抓取工具和用户代理字符串 ，了解如何阻止编入索引 。 | ||||||||||||||||
| /fish* | 等同于 /fish
。可以创建包含相应规则的 robots.txt 文件
。 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。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。 同样 ， 本文介绍了 Google 对 REP 的解读。Javascript 或元刷新型重定向） 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为 allow 规则仅适用于根网址 。可将适用于多个用户代理的规则组合在一起 。响应无效 、Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它更具体 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会假定没有任何抓取限制 。详细了解基于路径值的网址匹配 。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，CR/LF 或 LF 分隔 。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 ，
| ||||||||||||||||