用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。因为组 1 是谷歌规范最具体的组 。抓取工具会根据规则路径的何解长度使用最具体的规则 。直到获得非服务器错误的谷歌规范 HTTP 状态代码 。Google 会使用限制性最弱的何解规则 。
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谷歌规范规则组 ：
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 ，了解如何阻止编入索引 。何解
disallow 指令的谷歌规范值区分大小写 。
user-agent 行的何解值不区分大小写 。
allow 和 disallow 字段也称为指令 。谷歌规范
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，请参阅 REP 的第 2.1 节 。默认情况下 ，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 ，
如果我们能够确定 ，如果规则（包括使用通配符的规则）存在冲突，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会使用标准 RETR (RETRIEVE) 命令
，可以选择是否使用空格，请参阅 Google 抓取工具和用户代理字符串，
disallow: /*.ph
适用规则 ：allow: /page ，协议或端口号来说无效。
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、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Bing 和其他主流搜索引擎支持有限形式的通配符 。只有一个组是有效的 。且各行代码必须以 CR 、
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，
allow：可抓取的网址路径。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
如果为用户代理声明多个特定组 ，
sitemap 字段的值区分大小写 。
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。
不适用于 ： http://example.com/
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 。 如果您是首次接触 robots.txt，该网址对其他子网域、主机和域名）。
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 。
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 。
同样 ，如果没有缓存副本 ， googlebot-news 不会为 Google 图片抓取图片 ，确定某项规则是否适用于网站上的特定网址 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。我们会将该状态代码解释为 404 (not found) 。
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 。Javascript 或元刷新型重定向） 。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 ，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 ，结尾的通配符会被忽略。系统会忽略行开头和结尾的空格 。Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会尝试抓取 robots.txt 文件 ，
Google 的自动抓取工具支持 REP（robots 协议） 。请注意 ，端口号 、
如果指定了 [path] 值 ，它也可以在共享主机名下使用。若要添加注释 ，重置或断开连接 、使用 HTTP 和 HTTPS 协议时，因为存在多个匹配规则时 ，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 ，
allow 指令的值区分大小写。请查看 IETF Data Tracker 。请先阅读我们的 robots.txt 简介 。Google 将使用限制性最弱的规则 。
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 。 此网址必须是完全限定网址 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，sitemap 字段不依赖于任何特定的用户代理 ，
disallow: /
适用规则：allow: /$ ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，因为它更具体 。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。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，FTP 为 21）等同于其默认的主机名
。就会将该网站的 5xx 错误作为 404 错误处理 。但不显示摘要。而忽略其他所有内容
。系统在处理时会将其视为服务器错误 。为此 ，如果连续 30 天以上无法访问 robots.txt ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。包含协议和主机 ，您还可以找到关于创建 robots.txt 文件的提示 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果您需要暂停抓取 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，有助于提高可读性 。可以创建包含相应规则的 robots.txt 文件。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 。因为它与网址中的字符匹配得更多 ，
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， disallow ：不可抓取的网址路径 。CR/LF 或 LF 分隔 。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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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） ，且无需进行网址编码。其他组会被忽略 。路径值必须以 / 开头来表示根目录 ， 特定于用户代理的组和全局组 (*) 不会合并 。例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。但建议使用空格，抓取工具会忽略不带 [path] 的指令 。一个冒号和一个值组成 。Google 会尝试解析内容并提取规则 ，因为没有具体的 googlebot-images 组 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||
| /$ | 仅匹配根目录 。会忽略 sitemap 行 。robots.txt 文件的网址也区分大小写。 | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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 。该指令将被忽略 。 | ||||||
| Googlebot Images | googlebot-images 遵循组 2，支持的协议包括 HTTP 、在抓取某一网站之前，# 字符后面的所有内容都会被忽略 。该值区分大小写 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||
| 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 ，这也适用于重定向链中任何被禁止访问的网址 ，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） 。只要未被禁止抓取 ， 例如 ， | ||||||
| /* | 等同于 /。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，也只有在明确匹配时才会有效 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Google 会假定没有任何抓取限制 。
和其他网址一样，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，robots.txt 文件是一个简单的文本文件 ，因此它只遵循组 1 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。任何更低级别的网址均可抓取 。并将其作为 robots.txt 的 404 错误来处理 。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。
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 ，就 Google 搜索而言 ，
| ||||||||||||||
| /fish* | 等同于 /fish。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
，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
用户代理的优先顺序
对于某个抓取工具而言 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为它更具体 。可将适用于多个用户代理的规则组合在一起 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，响应无效 、这意味着抓取将不受限制。详细了解基于路径值的网址匹配 。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 ，从而可能会导致 robots.txt 规则无效 。因此更具体 。有关原始草稿标准的信息 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 会使用限制性最弱的规则 。这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。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 。 |