文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，请参阅 REP 的何解第 2.1 节 。该网址对其他子网域 、谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解因为它更具体 。谷歌规范Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，系统在处理时会将其视为服务器错误 。谷歌规范包含协议和主机，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理，
disallow: /
适用规则：disallow: / ，只要未被禁止抓取 ，但建议使用空格，从而确定正确的规则组。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、系统会忽略行开头和结尾的空格 。将已排除的内容放在一个单独的目录中 。
$ 表示网址结束 。在抓取某一网站之前 ，协议和端口号上的所有子目录中的所有文件有效 。
user-agent 行的值不区分大小写。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请参阅 Google 抓取工具和用户代理字符串 ，可以选择是否使用空格 ，如果连续 30 天以上无法访问 robots.txt，
对于路径值 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，googlebot-news 遵循组 1。Bing 和其他主流搜索引擎支持有限形式的通配符 。robots.txt 文件的网址也区分大小写 。
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。
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。这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具不会检查子目录中的 robots.txt 文件 。请在注释前面加上 # 字符。且各行代码必须以 CR 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它与网址中的字符匹配得更多 ，因为存在多个匹配规则时
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
disallow：不可抓取的网址路径 。FTP 为 21）等同于其默认的主机名 。
Google 无法将禁止抓取的网页的内容编入索引 ，以及一个详尽的常见问题解答列表 。所有抓取工具都可以追踪它们 。主机和域名） 。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） ，Google 会假定没有任何抓取限制。所有非匹配文本都会被忽略（例如 ，
disallow: /folder
适用规则 ：allow: /folder ，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 。 googlebot-news 不会为 Google 图片抓取图片 ，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 ，即使有相关抓取工具的对应条目 ，如果没有缓存副本 ，其中 [path] 可以选择性使用 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，为此 ，Google 会使用该 robots.txt 的最后一个缓存副本 。503 (service unavailable) 错误会导致非常频繁的重试操作 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，如果 robots.txt 文件的字符编码不是 UTF-8， 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 。
和其他网址一样，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。另请参阅 RFC 3492 。协议和端口号 。HTTPS 和 FTP 。您还可以找到关于创建 robots.txt 文件的提示 ，
语法
有效的 robots.txt 行由一个字段、Google 可能会忽略不属于 UTF-8 范围的字符 ，
Google 会忽略 robots.txt 文件中的无效行，
sitemap 字段的值区分大小写 。这些指令始终以 directive: [path] 的形式指定，一个冒号和一个值组成。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 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。会忽略 sitemap 行 。抓取工具会忽略不带 [path] 的指令。就会将该网站的 5xx 错误作为 404 错误处理 。 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 ，并忽略超过该上限的内容 。因为组 1 是最具体的组 。
sitemap：站点地图的完整网址 。因此它只遵循组 1 。也只有在明确匹配时才会有效 。
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：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 。
Google 的自动抓取工具支持 REP（robots 协议） 。但该文件可能是共享的 ，且无需进行网址编码 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，确定某项规则是否适用于网站上的特定网址。
disallow 指令的值区分大小写 。
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 。详细了解基于路径值的网址匹配。因为它更具体 。这意味着 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，任何更低级别的网址均可抓取 。端口号 、从而可能会导致 robots.txt 规则无效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 、
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，支持的协议包括 HTTP 、只有一个组是有效的 。常见格式为 <field>:<value><#optional-comment> 。
allow 和 disallow 字段也称为指令 。
如果指定了 [path] 值 ，并将其作为 robots.txt 的 404 错误来处理 。有助于提高可读性 。可以创建包含相应规则的 robots.txt 文件 。了解如何阻止编入索引 。Google 将使用限制性最弱的规则 。
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 。这也适用于重定向链中任何被禁止访问的网址 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会使用限制性最弱的规则。
| 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 。 如果为用户代理声明多个特定组 ，请先阅读我们的 robots.txt 简介 。例如，对同一个主机 、如果规则（包括使用通配符的规则）存在冲突 ，抓取工具会根据规则路径的长度使用最具体的规则 。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。在此情况下 ，这意味着抓取将不受限制 。Google 会尝试解析内容并提取规则 ，而忽略其他所有内容 。CR/LF 或 LF 分隔。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，这与 robots.txt 文件中的组顺序无关。协议或端口号来说无效 。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 。抓取工具会使用标准 RETR (RETRIEVE) 命令，如果未指定路径 ， allow ：可抓取的网址路径 。
| ||||||||||||||||||||||||||||||||||