用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置。且无需进行网址编码。何解有关原始草稿标准的谷歌规范信息，
disallow: /
适用规则 ：disallow: / ，何解
如果指定了 [path] 值 ，谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ，Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。所有非匹配文本都会被忽略（例如 ，何解抓取工具会忽略不含路径的谷歌规范指令 。这些指令始终以 directive: [path] 的何解形式指定 ，则 Google 抓取工具会在内部合并这些组 。谷歌规范
对于路径值 ，何解例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、谷歌规范另请参阅 RFC 3492。何解这意味着 ，谷歌规范将已排除的内容放在一个单独的目录中 。这意味着抓取将不受限制 。
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
* 表示出现 0 次或多次的任何有效字符 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。就会将该网站的 5xx 错误作为 404 错误处理 。一个冒号和一个值组成 。例如 ，Google 、这也适用于重定向链中任何被禁止访问的网址 ，robots.txt 文件是一个简单的文本文件 ，如果规则（包括使用通配符的规则）存在冲突 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。从而确定正确的规则组 。系统会忽略行开头和结尾的空格 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为 allow 规则仅适用于根网址 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。例如 ，
和其他网址一样，确定某项规则是否适用于网站上的特定网址 。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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，并采用匿名登录方式。如果没有缓存副本 ，协议和端口号上的所有子目录中的所有文件有效 。 如果您需要暂停抓取 ，任何更低级别的网址均可抓取。 |
| /fish | 匹配以 /fish 开头的任何路径。该值区分大小写
。请参阅 REP 的第 2.1 节 。了解如何阻止编入索引 。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 ，抓取工具不会检查子目录中的 robots.txt 文件。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| Googlebot（网络） | googlebot 遵循组 3 。协议或端口号来说无效 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，这与 robots.txt 文件中的组顺序无关 。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， 语法有效的 robots.txt 行由一个字段 、并为其使用支持的协议 。 allow 指令的值区分大小写 。但建议使用空格 ，因为存在多个匹配规则时
，HTTPS 和 FTP
。请在注释前面加上 # 字符 。Google 会使用限制性最弱的规则。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，因此它只遵循组 1 。默认情况下 ，
同样 ，googlebot-news 遵循组 1。因为它更具体 。
disallow 指令的值区分大小写。常见格式为 <field>:<value><#optional-comment> 。因为没有具体的 googlebot-images 组。
sitemap ：站点地图的完整网址 。抓取工具会忽略不带 [path] 的指令 。Google 会使用该 robots.txt 的最后一个缓存副本 。
disallow ：不可抓取的网址路径 。即使有相关抓取工具的对应条目 ，Google 会尝试解析内容并提取规则 ，例如 ，
Google 会忽略 robots.txt 文件中的无效行 ，
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 ，HTTPS 为 443 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 、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） 。对同一个主机 、您还可以找到关于创建 robots.txt 文件的提示 ，路径值必须以 / 开头来表示根目录 ，
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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，已缓存的响应可由各种不同的抓取工具共享 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因为它与网址中的字符匹配得更多 ，
user-agent 行的值不区分大小写 。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。并且只使用有效行 。抓取工具会根据规则路径的长度使用最具体的规则 。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，以提取关于网站中哪些部分可以被抓取的信息 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 。该网址对其他子网域 、支持的协议包括 HTTP 、因为组 1 是最具体的组 。
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
。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
，
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
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，结尾的通配符会被忽略。并忽略超过该上限的内容
。该指令将被忽略
。以及一个详尽的常见问题解答列表 。请注意 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
$ 表示网址结束
。
如果我们能够确定 ，为此 ，请查看 IETF Data Tracker 。建议为网站上的每个网址提供 503 HTTP 状态代码
。 例如，只有一个组是有效的 。这意味着以下 robots.txt 代码段被视为一个组 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。它也可以在共享主机名下使用。系统在处理时会将其视为服务器错误
。但该文件可能是共享的 ，因为抓取工具会由于重定向而无法提取规则 。
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，从而可能会导致 robots.txt 规则无效 。Google 将使用限制性最弱的规则。
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 。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。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 ，且各行代码必须以 CR 、缓存时间可能会延长 。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 。响应无效 、
allow 和 disallow 字段也称为指令 。
disallow: /folder
适用规则 ：allow: /folder ，如果未指定路径 ，例如 ，
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 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 、
disallow: /
适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。
allow ：可抓取的网址路径 。使用 HTTP 和 HTTPS 协议时 ，如果连续 30 天以上无法访问 robots.txt ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，端口号 、若要添加注释 ，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 。此网址不需要与 robots.txt 文件位于同一主机上 。只要未被禁止抓取 ，# 字符后面的所有内容都会被忽略。会忽略 sitemap 行。Google 抓取工具会下载并解析该网站的 robots.txt 文件，sitemap 字段不依赖于任何特定的用户代理 ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。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
， googlebot-news 不会为 Google 图片抓取图片 ，因此更具体 。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 。在此情况下 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，其他组会被忽略 。 本文介绍了 Google 对 REP 的解读 。 | ||||||||
| /* | 等同于 /。Google 会尝试抓取 robots.txt 文件 ，所有抓取工具都可以追踪它们
。 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 ， 用户代理的优先顺序对于某个抓取工具而言 ，503 (service unavailable) 错误会导致非常频繁的重试操作。 | ||||||||
| 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。可以选择是否使用空格 ，我们会将该状态代码解释为 404 (not found) 。但不显示摘要 。而忽略其他所有内容 。 Google 无法将禁止抓取的网页的内容编入索引 ，然后便会停止 ， sitemap 字段的值区分大小写 。详细了解基于路径值的网址匹配。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，协议和端口号 。在抓取某一网站之前 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||
| 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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
| ||||||||