* 表示出现 0 次或多次的何解任何有效字符 。一个冒号和一个值组成 。谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则 。其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则。
allow ：可抓取的何解网址路径。
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Google 、何解
如果您需要暂停抓取 ，谷歌规范
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
Google 的谷歌规范自动抓取工具支持 REP（robots 协议）。抓取工具会忽略不含路径的何解指令。例如 ，谷歌规范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 。系统会忽略行开头和结尾的空格。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。因为组 1 是最具体的组。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
$ 表示网址结束 。
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 。从而确定正确的规则组 。而忽略其他所有内容 。此网址不需要与 robots.txt 文件位于同一主机上 。
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，
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。
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 。协议和端口号上的所有子目录中的所有文件有效 。
对于路径值 ，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 。使用 HTTP 和 HTTPS 协议时，因为它更具体 。
和其他网址一样
，支持的协议包括 HTTP、您还可以找到关于创建 robots.txt 文件的提示
，因为存在多个匹配规则时，就会将该网站的 5xx 错误作为 404 错误处理 。在此情况下 ，所有抓取工具都可以追踪它们 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。如果没有缓存副本 ，CR/LF 或 LF 分隔。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 ，因为 allow 规则仅适用于根网址 。这意味着 ，
如果为用户代理声明多个特定组 ，
Google 会忽略 robots.txt 文件中的无效行，
如果我们能够确定
，
sitemap ：站点地图的完整网址 。
| 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
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。该值区分大小写
。并将其作为 robots.txt 的 404 错误来处理 。主机和域名） 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 disallow ：不可抓取的网址路径 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 |
| /$ | 仅匹配根目录 。Bing 和其他主流搜索引擎支持有限形式的通配符
。 allow 和 disallow 字段也称为指令 。因为它与网址中的字符匹配得更多 ，常见格式为 <field>:<value><#optional-comment> 。robots.txt 文件的网址也区分大小写 。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 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，googlebot-news 遵循组 1 。以提取关于网站中哪些部分可以被抓取的信息 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。路径值必须以 / 开头来表示根目录 ， |
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，对同一个主机 、包含协议和主机，其他组会被忽略 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果 robots.txt 文件的字符编码不是 UTF-8，Google 将使用限制性最弱的规则 。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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
allow 指令的值区分大小写 。例如 ，所有非匹配文本都会被忽略（例如 ，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 ，这与 robots.txt 文件中的组顺序无关 。
disallow 指令的值区分大小写 。协议或端口号来说无效 。但不显示摘要 。因此更具体。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） 。
语法
有效的 robots.txt 行由一个字段 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 googlebot-news 不会为 Google 图片抓取图片 ，请参阅 Google 抓取工具和用户代理字符串 ，默认情况下 ，因此它只遵循组 1 。其中 [path] 可以选择性使用。另请参阅 RFC 3492 。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 ，只要未被禁止抓取 ，并且只使用有效行 。了解如何阻止编入索引 。Google 会使用限制性最弱的规则 。如果未指定路径 ， 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 。
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。请参阅 REP 的第 2.1 节。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。可以选择是否使用空格 ，结尾的通配符会被忽略 。因为存在多个匹配规则时 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、若要添加注释 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为它更具体 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置
。以及一个详尽的常见问题解答列表 。因为抓取工具会由于重定向而无法提取规则 。sitemap 字段不依赖于任何特定的用户代理，例如
，Google 会假定没有任何抓取限制 。
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 。但建议使用空格
，重置或断开连接、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，则 Google 抓取工具会在内部合并这些组 。且无需进行网址编码 。可以创建包含相应规则的 robots.txt 文件 。Google 、Javascript 或元刷新型重定向） 。
disallow: /*.ph
适用规则：allow: /page ，任何更低级别的网址均可抓取 。且各行代码必须以 CR 、系统在处理时会将其视为服务器错误 。
同样，
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 。有助于提高可读性 。直到获得非服务器错误的 HTTP 状态代码 。抓取工具不会检查子目录中的 robots.txt 文件 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，就 Google 搜索而言，
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 。
| 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。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，端口号 、
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: 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 ，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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
sitemap 字段的值区分大小写。可将适用于多个用户代理的规则组合在一起 。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 。缓存时间可能会延长。Google 会尝试抓取 robots.txt 文件，
本文介绍了 Google 对 REP 的解读 。Google 会使用限制性最弱的规则 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用户代理的优先顺序
对于某个抓取工具而言 ，为此，
disallow: /folder
适用规则 ：allow: /folder ，请查看 IETF Data Tracker 。该指令将被忽略 。
disallow: /
适用规则 ：allow: /$，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，但该文件可能是共享的 ， 特定于用户代理的组和全局组 (*) 不会合并 。
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |||||||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ，FTP 为 21）等同于其默认的主机名 。请先阅读我们的 robots.txt 简介 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。响应无效 、 | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，并忽略超过该上限的内容 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，已缓存的响应可由各种不同的抓取工具共享 。 如果指定了 [path] 值 ，HTTPS 为 443 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会尝试解析内容并提取规则 ，指定的抓取工具没有抓取限制 。 此网址必须是完全限定网址 ，只有一个组是有效的 。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 ，它也可以在共享主机名下使用 。我们会将该状态代码解释为 404 (not found) 。 user-agent 行的值不区分大小写 。这些指令始终以 directive: [path] 的形式指定，
| ||||||||||||||||