语法
有效的谷歌规范 robots.txt 行由一个字段 、会忽略 sitemap 行。何解Google 会使用限制性最弱的谷歌规范规则 。
allow ：可抓取的何解网址路径 。抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。且各行代码必须以 CR、何解
disallow: /*.htm
适用规则 ：disallow: /*.htm ，但不显示摘要 。Google 会尝试解析内容并提取规则 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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
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 。
Google 无法将禁止抓取的网页的内容编入索引 ，因此更具体 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
本文介绍了 Google 对 REP 的解读 。
和其他网址一样 ，并且只使用有效行。请注意 ，确定某项规则是否适用于网站上的特定网址。支持的协议包括 HTTP、这意味着 ，且无需进行网址编码 。
Google 会忽略 robots.txt 文件中的无效行 ，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 ，协议和端口号 。
disallow: /*.ph
适用规则 ：allow: /page ，FTP 为 21）等同于其默认的主机名。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 ，Google、就 Google 搜索而言 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具会忽略不含路径的指令 。此网址不需要与 robots.txt 文件位于同一主机上。
disallow：不可抓取的网址路径 。
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 。
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。响应无效、
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。请查看 IETF Data Tracker。抓取工具不会检查子目录中的 robots.txt 文件 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 ，这与 robots.txt 文件中的组顺序无关。则 Google 抓取工具会在内部合并这些组 。HTTPS 为 443 ，从而确定正确的规则组 。因为它更具体 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 如果为用户代理声明多个特定组 ，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 。默认情况下 ，因为存在多个匹配规则时 ， 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，其中 [path] 可以选择性使用 。并采用匿名登录方式 。 例如 ，了解如何阻止编入索引。 |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， |
| Googlebot（网络） | googlebot 遵循组 3 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果 robots.txt 文件的字符编码不是 UTF-8 ， 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 ，例如 ，协议或端口号来说无效 。详细了解基于路径值的网址匹配 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，googlebot-news 遵循组 1 。若要添加注释 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会尝试抓取 robots.txt 文件 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。使用 HTTP 和 HTTPS 协议时，从而可能会导致 robots.txt 规则无效 。robots.txt 文件的网址也区分大小写 。它也可以在共享主机名下使用 。
user-agent 行的值不区分大小写 。因为 allow 规则仅适用于根网址 。HTTPS 和 FTP。Google 会使用限制性最弱的规则 。
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 。并将其作为 robots.txt 的 404 错误来处理 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请参阅 Google 抓取工具和用户代理字符串 ，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） ，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 。因为存在多个匹配规则时
， | ||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 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。例如 ，另请参阅 RFC 3492 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。因为它更具体 。 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 ，在抓取某一网站之前 ， allow 和 disallow 字段也称为指令 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、指定的抓取工具没有抓取限制 。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 ， 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 。 特定于用户代理的组和全局组 (*) 不会合并 。sitemap 字段不依赖于任何特定的用户代理，例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。该值区分大小写。 | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，常见格式为 <field>:<value><#optional-comment> 。例如 ， $ 表示网址结束 。路径值必须以 / 开头来表示根目录 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。任何更低级别的网址均可抓取 。Google 可能会忽略不属于 UTF-8 范围的字符 ， googlebot-news 不会为 Google 图片抓取图片 ，就会将该网站的 5xx 错误作为 404 错误处理 。如果没有缓存副本，Google 会假定没有任何抓取限制 。
| ||||||||||||||||||||||||||