sitemap 字段的何解值区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。它也可以在共享主机名下使用 。何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。可以选择是何解否使用空格 ，并忽略超过该上限的谷歌规范内容 。Google 会使用该 robots.txt 的何解最后一个缓存副本。而忽略其他所有内容 。谷歌规范# 字符后面的何解所有内容都会被忽略 。但不显示摘要。谷歌规范
allow 和 disallow 字段也称为指令 。并将其作为 robots.txt 的 404 错误来处理
。从而确定正确的规则组
。
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 ，即使有相关抓取工具的对应条目 ，
语法
有效的 robots.txt 行由一个字段 、
disallow：不可抓取的网址路径 。协议和端口号上的所有子目录中的所有文件有效 。使用 HTTP 和 HTTPS 协议时 ，因此更具体。可将适用于多个用户代理的规则组合在一起 。为此，Google 会使用限制性最弱的规则 。支持的协议包括 HTTP 、
disallow 指令的值区分大小写。以及一个详尽的常见问题解答列表 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，从而可能会导致 robots.txt 规则无效 。端口号 、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 ，且各行代码必须以 CR 、
disallow: /*.ph
适用规则 ：allow: /page ，因此它只遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。系统会忽略行开头和结尾的空格 。且无需进行网址编码 。
如果我们能够确定 ，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 ，这意味着以下 robots.txt 代码段被视为一个组 ，在此情况下 ，您可以指定多个 sitemap 字段 。所有抓取工具都可以追踪它们。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） ，
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。详细了解基于路径值的网址匹配。 特定于用户代理的组和全局组 (*) 不会合并 。
disallow: /
适用规则 ：disallow: /，
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 。
allow ：可抓取的网址路径 。
如果指定了 [path] 值 ， 如果您是首次接触 robots.txt ，
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。该网址对其他子网域 、则 Google 抓取工具会在内部合并这些组 。这意味着 ，
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 。因为存在多个匹配规则时 ，因为抓取工具会由于重定向而无法提取规则 。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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 此网址必须是完全限定网址 ，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 ，因为它与网址中的字符匹配得更多 ，robots.txt 文件是一个简单的文本文件 ，结尾的通配符会被忽略。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、这些指令始终以 directive: [path] 的形式指定 ，例如，这也适用于重定向链中任何被禁止访问的网址，系统在处理时会将其视为服务器错误 。协议或端口号来说无效。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
如果为用户代理声明多个特定组 ，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 、
本文介绍了 Google 对 REP 的解读。
对于路径值，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 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 。 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 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，sitemap 字段不依赖于任何特定的用户代理 ，一个冒号和一个值组成。 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，请查看 IETF Data Tracker 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， user-agent 行的值不区分大小写 。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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、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） 。 googlebot-news 不会为 Google 图片抓取图片 ，只有一个组是有效的。 用户代理的优先顺序对于某个抓取工具而言 ，已缓存的响应可由各种不同的抓取工具共享。协议和端口号
。重置或断开连接、HTTPS 和 FTP。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， allow 指令的值区分大小写 。因为存在多个匹配规则时 ，另请参阅 RFC 3492 。其他组会被忽略 。Google、只要未被禁止抓取，其中 [path] 可以选择性使用。 Google 无法将禁止抓取的网页的内容编入索引，默认情况下 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| /fish* | 等同于 /fish
。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 ，因为它更具体 。建议为网站上的每个网址提供 503 HTTP 状态代码。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、指定的抓取工具没有抓取限制 。因为它更具体 。如果没有缓存副本， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，在抓取某一网站之前，如果 robots.txt 文件的字符编码不是 UTF-8 ，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。
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 抓取工具会下载并解析该网站的 robots.txt 文件 ，robots.txt 文件的网址也区分大小写 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为没有具体的 googlebot-images 组 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会忽略不带 [path] 的指令 。有关原始草稿标准的信息 ，以提取关于网站中哪些部分可以被抓取的信息 。了解如何阻止编入索引 。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 。就 Google 搜索而言 ，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， | ||||||||||||||||||
| 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 ，该指令将被忽略。 Google 的自动抓取工具支持 REP（robots 协议） 。对同一个主机 、 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 ，这与 robots.txt 文件中的组顺序无关 。Google 会尝试抓取 robots.txt 文件 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。抓取工具会根据规则路径的长度使用最具体的规则。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，例如， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 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。 | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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
、确定某项规则是否适用于网站上的特定网址
。可以创建包含相应规则的 robots.txt 文件 。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， | ||||||||||||||||||
| /$ | 仅匹配根目录 。因为组 1 是最具体的组
。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，响应无效 、常见格式为 <field>:<value><#optional-comment> 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 和其他网址一样 ，HTTPS 为 443 ， 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 。 sitemap ：站点地图的完整网址 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，请先阅读我们的 robots.txt 简介 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但该文件可能是共享的，包含协议和主机，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，FTP 为 21）等同于其默认的主机名 。Bing 和其他主流搜索引擎支持有限形式的通配符 。如果未指定路径 ，直到获得非服务器错误的 HTTP 状态代码 。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 ，就会将该网站的 5xx 错误作为 404 错误处理 。如果规则（包括使用通配符的规则）存在冲突 ，主机和域名） 。
| ||||||||||||||||||