语法
有效的谷歌规范 robots.txt 行由一个字段 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较 。其中 [path] 可以选择性使用 。谷歌规范HTTPS 和 FTP 。何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范因为它更具体 。何解在此情况下 ，谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解Google 会尝试抓取 robots.txt 文件，谷歌规范
disallow: /
适用规则 ：disallow: / ，何解Javascript 或元刷新型重定向） 。谷歌规范
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、系统在处理时会将其视为服务器错误 。
| 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 。任何更低级别的网址均可抓取 。robots.txt 文件的网址也区分大小写 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。这与 robots.txt 文件中的组顺序无关 。只有一个组是有效的。会忽略 sitemap 行 。端口号 、使用 HTTP 和 HTTPS 协议时 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。而忽略其他所有内容 。如果下载的内容是 Html 格式而非 robots.txt 规则
，因此它只遵循组 1 。Google 会尝试解析内容并提取规则， 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 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 |
| 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 。对同一个主机 、默认情况下 ，在抓取某一网站之前 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 如果指定了 [path] 值 ，Google 、但该文件可能是共享的 ，# 字符后面的所有内容都会被忽略 。 |
| Googlebot（网络） | googlebot 遵循组 3 。sitemap 字段不依赖于任何特定的用户代理， disallow 指令的值区分大小写 。并且只使用有效行 。可将适用于多个用户代理的规则组合在一起 。 |
| /fish | 匹配以 /fish 开头的任何路径 。请在注释前面加上 # 字符。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。直到获得非服务器错误的 HTTP 状态代码 。以提取关于网站中哪些部分可以被抓取的信息 。请参阅 Google 抓取工具和用户代理字符串，并将其作为 robots.txt 的 404 错误来处理 。 用户代理的优先顺序对于某个抓取工具而言 ， 同样， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。支持的协议包括 HTTP 、googlebot-news 遵循组 1 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，将已排除的内容放在一个单独的目录中 。 |
| 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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，包含协议和主机 ， 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但建议使用空格 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 、CR/LF 或 LF 分隔。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， sitemap 字段的值区分大小写 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该值区分大小写 。
disallow: /
适用规则 ：allow: /$ ，
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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，且各行代码必须以 CR 、
disallow ：不可抓取的网址路径 。也只有在明确匹配时才会有效 。
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 ，因为它与网址中的字符匹配得更多 ，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
，重置或断开连接 、 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，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，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 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，请注意，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。抓取工具不会检查子目录中的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件 ，请参阅 REP 的第 2.1 节。
allow 和 disallow 字段也称为指令 。并为其使用支持的协议 。一个冒号和一个值组成 。因为它更具体 。 特定于用户代理的组和全局组 (*) 不会合并 。
allow ：可抓取的网址路径 。所有非匹配文本都会被忽略（例如，
| 示例情况 | |||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，因为组 1 是最具体的组。 对于路径值 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，它也可以在共享主机名下使用。您还可以找到关于创建 robots.txt 文件的提示 ， 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
。 allow 指令的值区分大小写。协议和端口号。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，
| ||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。可以创建包含相应规则的 robots.txt 文件
。结尾的通配符会被忽略 。这意味着 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。例如 ，从而确定正确的规则组
。这些指令始终以 directive: [path] 的形式指定 ，这意味着抓取将不受限制 。并忽略超过该上限的内容。有关原始草稿标准的信息 ， | ||||||||||||||||||||||||||||||