语法
有效的谷歌规范 robots.txt 行由一个字段、您还可以找到关于创建 robots.txt 文件的何解提示 ，Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。这些指令始终以 directive: [path] 的何解形式指定 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范确定某项规则是何解否适用于网站上的特定网址 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范并为其使用支持的何解协议 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组，
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，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，协议或端口号来说无效 。
对于路径值 ，请在注释前面加上 # 字符 。Google 将使用限制性最弱的规则 。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 。因为它更具体 。会忽略 sitemap 行 。
user-agent 行的值不区分大小写 。另请参阅 RFC 3492。为此 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，请参阅 Google 抓取工具和用户代理字符串 ，就会将该网站的 5xx 错误作为 404 错误处理 。Google 会假定没有任何抓取限制 。任何更低级别的网址均可抓取 。
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，指定的抓取工具没有抓取限制 。Google 会使用限制性最弱的规则 。 例如 ， Google 无法将禁止抓取的网页的内容编入索引 ，而忽略其他所有内容 。因为它与网址中的字符匹配得更多 ，且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||
| 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 ，其中 [path] 可以选择性使用 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具会根据规则路径的长度使用最具体的规则。 allow 和 disallow 字段也称为指令 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 如果指定了 [path] 值 ，抓取工具会忽略不带 [path] 的指令 。因为没有具体的 googlebot-images 组 。在此情况下 ， 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 会尝试解析内容并提取规则 ，此网址不需要与 robots.txt 文件位于同一主机上 。 本文介绍了 Google 对 REP 的解读 。这与 robots.txt 文件中的组顺序无关。响应无效 、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、该值区分大小写 。也只有在明确匹配时才会有效 。且无需进行网址编码 。只要未被禁止抓取 ， 用户代理的优先顺序对于某个抓取工具而言 ， 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 。这意味着 ，因为它更具体 。其他组会被忽略 。因此更具体 。从而确定正确的规则组 。这也适用于重定向链中任何被禁止访问的网址 ，常见格式为 <field>:<value><#optional-comment>。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、我们会将该状态代码解释为 404 (not found)。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， googlebot-news 不会为 Google 图片抓取图片， allow 指令的值区分大小写 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， 和其他网址一样 ，这意味着以下 robots.txt 代码段被视为一个组
，只有一个组是有效的。重置或断开连接 、Google
、 | ||||||||||||||||||||||||||||
| 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 。例如 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、即使有相关抓取工具的对应条目 ，有助于提高可读性 。如果规则（包括使用通配符的规则）存在冲突 ，该指令将被忽略 。 如果我们能够确定，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。这些通配符包括： * 表示出现 0 次或多次的任何有效字符
。协议和端口号。Google 、从而可能会导致 robots.txt 规则无效 。CR/LF 或 LF 分隔。 此网址必须是完全限定网址 ，HTTPS 为 443 ，robots.txt 文件的网址也区分大小写 。结尾的通配符会被忽略 。 | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。以提取关于网站中哪些部分可以被抓取的信息 。 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 。并忽略超过该上限的内容 。 如果为用户代理声明多个特定组 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，直到获得非服务器错误的 HTTP 状态代码 。它也可以在共享主机名下使用。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，Javascript 或元刷新型重定向）。可将适用于多个用户代理的规则组合在一起 。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 ， Google 的自动抓取工具支持 REP（robots 协议） 。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 。 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 。系统在处理时会将其视为服务器错误 。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow 指令的值区分大小写 。
sitemap 字段的值区分大小写 。就 Google 搜索而言 ，
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 Google 会暂时将服务器错误解读为网站完全禁止访问。并将其作为 robots.txt 的 404 错误来处理 。请注意 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，路径值必须以 / 开头来表示根目录 ，可以选择是否使用空格 ，
allow ：可抓取的网址路径。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 ，使用 HTTP 和 HTTPS 协议时，HTTPS 和 FTP 。
disallow: /
适用规则 ：allow: /$ ，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 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，googlebot-news 遵循组 1 。
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
Google 会忽略 robots.txt 文件中的无效行 ，Google 会使用限制性最弱的规则。
disallow: /
适用规则 ：disallow: / ，了解如何阻止编入索引 。对同一个主机 、结尾的通配符会被忽略 。因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。主机和域名）。 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。缓存时间可能会延长 。
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
disallow: /folder
适用规则 ：allow: /folder ，端口号、但不显示摘要 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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）。将已排除的内容放在一个单独的目录中 。
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 ，
如果您需要暂停抓取 ，所有抓取工具都可以追踪它们 。
sitemap ：站点地图的完整网址。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 ，
disallow ：不可抓取的网址路径 。
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
，
| ||||