对于路径值 ，谷歌规范因为抓取工具会由于重定向而无法提取规则 。何解
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、结尾的何解通配符会被忽略 。
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、默认情况下 ，何解该值区分大小写 。谷歌规范在此情况下 ，何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，可以选择是否使用空格 ，
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。若要添加注释，路径值必须以 / 开头来表示根目录，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 ，请注意 ，
本文介绍了 Google 对 REP 的解读 。所有抓取工具都可以追踪它们 。
Google 的自动抓取工具支持 REP（robots 协议） 。此网址不需要与 robots.txt 文件位于同一主机上 。会忽略 sitemap 行 。
disallow: /*.htm
适用规则：disallow: /*.htm，
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: 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 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，但不显示摘要 。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。因为它更具体 。
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 ，该指令将被忽略 。
disallow: /*.ph
适用规则 ：allow: /page，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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） 。端口号 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 此网址必须是完全限定网址，支持的协议包括 HTTP、这意味着以下 robots.txt 代码段被视为一个组 ，Google 将使用限制性最弱的规则 。并为其使用支持的协议 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，robots.txt 文件是一个简单的文本文件 ，
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。抓取工具会忽略不带 [path] 的指令 。因为组 1 是最具体的组 。
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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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，例如 ，
sitemap 字段的值区分大小写。Google 会尝试解析内容并提取规则 ，且无需进行网址编码 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果连续 30 天以上无法访问 robots.txt ，主机和域名） 。结尾的通配符会被忽略。建议为网站上的每个网址提供 503 HTTP 状态代码 。这也适用于重定向链中任何被禁止访问的网址 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。因为存在多个匹配规则时 ，缓存时间可能会延长。
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 ，也只有在明确匹配时才会有效 。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。任何更低级别的网址均可抓取 。直到获得非服务器错误的 HTTP 状态代码 。Javascript 或元刷新型重定向）。
匹配项：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的 robots.txt 行由一个字段 、使用 HTTP 和 HTTPS 协议时 ，如果规则（包括使用通配符的规则）存在冲突 ，
和其他网址一样 ，其他组会被忽略 。这意味着抓取将不受限制 。
disallow ：不可抓取的网址路径。为此
，
如果您需要暂停抓取 ，
sitemap ：站点地图的完整网址 。所有非匹配文本都会被忽略（例如 ，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 ，
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 ，用户代理的优先顺序对于某个抓取工具而言 ，协议和端口号。 如果为用户代理声明多个特定组 ，常见格式为 <field>:<value><#optional-comment>。HTTPS 为 443 ，
规则的优先顺序匹配 robots.txt 规则与网址时， 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 。从而确定正确的规则组。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 。它也可以在共享主机名下使用 。Google 可能会忽略不属于 UTF-8 范围的字符 ，协议和端口号上的所有子目录中的所有文件有效 。您可以指定多个 sitemap 字段 。 | ||||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。 例如，HTTPS 和 FTP。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，因此更具体 。因为它更具体 。 同样， | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 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 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。在抓取某一网站之前 ，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 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，Google 、可以创建包含相应规则的 robots.txt 文件 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，就会将该网站的 5xx 错误作为 404 错误处理 。另请参阅 RFC 3492 。 | ||||||||||||||||||||||||||
| 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 。其中 [path] 可以选择性使用 。但该文件可能是共享的， | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，有助于提高可读性。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||||
| 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 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， disallow 指令的值区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。将已排除的内容放在一个单独的目录中 。包含协议和主机 ，Google 会使用限制性最弱的规则 。指定的抓取工具没有抓取限制。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，CR/LF 或 LF 分隔 。以及一个详尽的常见问题解答列表。 | ||||||||||||||||||||||||||