文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件， 路径中的谷歌规范非 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 。也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析）。robots.txt 文件是谷歌规范一个简单的文本文件 ，并忽略超过该上限的何解内容 。
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。因为组 1 是何解最具体的组 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范它也可以在共享主机名下使用 。何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，谷歌规范 例如 ，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，Google 会尝试解析内容并提取规则 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，则 Google 抓取工具会在内部合并这些组 。 googlebot-news 不会为 Google 图片抓取图片 ，请在注释前面加上 # 字符 。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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
本文介绍了 Google 对 REP 的解读 。如果连续 30 天以上无法访问 robots.txt ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
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。因为 allow 规则仅适用于根网址。如果下载的内容是 Html 格式而非 robots.txt 规则 ，所有抓取工具都可以追踪它们 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，缓存时间可能会延长 。 |
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
Google 无法将禁止抓取的网页的内容编入索引 ，若要添加注释 ，
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、指定的抓取工具没有抓取限制。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 。该指令将被忽略 。 同样，有关原始草稿标准的信息 ，使用 HTTP 和 HTTPS 协议时 ， allow ：可抓取的网址路径 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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 ，常见格式为 <field>:<value><#optional-comment> 。# 字符后面的所有内容都会被忽略 。
sitemap ：站点地图的完整网址。但该文件可能是共享的 ，这些指令始终以 directive: [path] 的形式指定
，此网址不需要与 robots.txt 文件位于同一主机上 。且无需进行网址编码 。该值区分大小写。并采用匿名登录方式
。结尾的通配符会被忽略 。协议或端口号来说无效 。但不显示摘要。
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
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 ，在此情况下，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。您可以指定多个 sitemap 字段 。因为存在多个匹配规则时 ，确定某项规则是否适用于网站上的特定网址 。
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 。 如果您是首次接触 robots.txt，
disallow: /folder
适用规则：allow: /folder ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、这意味着以下 robots.txt 代码段被视为一个组，
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 。对同一个主机 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这意味着 ，主机和域名） 。有助于提高可读性
。可以选择是否使用空格
，如果没有缓存副本 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Bing 和其他主流搜索引擎支持有限形式的通配符 。重置或断开连接 、 特定于用户代理的组和全局组 (*) 不会合并 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果指定了 [path] 值 ，支持的协议包括 HTTP 、可以创建包含相应规则的 robots.txt 文件 。
用户代理的优先顺序
对于某个抓取工具而言，Google 会使用限制性最弱的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
语法
有效的 robots.txt 行由一个字段 、CR/LF 或 LF 分隔 。建议为网站上的每个网址提供 503 HTTP 状态代码。Google 会假定没有任何抓取限制 。请注意，
disallow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。就会将该网站的 5xx 错误作为 404 错误处理。抓取工具会忽略不带 [path] 的指令。抓取工具会忽略不含路径的指令 。在抓取某一网站之前 ，以及一个详尽的常见问题解答列表 。系统在处理时会将其视为服务器错误。请参阅 REP 的第 2.1 节。抓取工具不会检查子目录中的 robots.txt 文件。只要未被禁止抓取 ，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 ，包含协议和主机，也只有在明确匹配时才会有效 。协议和端口号 。Google 将使用限制性最弱的规则 。
user-agent 行的值不区分大小写 。但建议使用空格，另请参阅 RFC 3492 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，例如 ，
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 。因此更具体 。协议和端口号上的所有子目录中的所有文件有效 。
$ 表示网址结束 。将已排除的内容放在一个单独的目录中。如果规则（包括使用通配符的规则）存在冲突 ，因为没有具体的 googlebot-images 组 。抓取工具会根据规则路径的长度使用最具体的规则 。并且只使用有效行 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，默认情况下
，请查看 IETF Data Tracker 。例如，Javascript 或元刷新型重定向） 。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。
如果您需要暂停抓取 ，为此 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。系统会忽略行开头和结尾的空格。例如 ，
和其他网址一样 ，端口号 、
disallow: /*.ph
适用规则 ：allow: /page ，请参阅 Google 抓取工具和用户代理字符串 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
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
。Google 会使用该 robots.txt 的最后一个缓存副本。该网址对其他子网域 、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 、就 Google 搜索而言 ，
disallow: /
适用规则 ：allow: /$，但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时），因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。可将适用于多个用户代理的规则组合在一起 。
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明
，会忽略 sitemap 行
。HTTPS 和 FTP 。因为它更具体。
如果我们能够确定 ，了解如何阻止编入索引。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，robots.txt 文件的网址也区分大小写 。
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。从而可能会导致 robots.txt 规则无效。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用限制性最弱的规则 。例如 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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，
对于路径值，
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 ，一个冒号和一个值组成 。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 。结尾的通配符会被忽略 。因为它更具体 。这与 robots.txt 文件中的组顺序无关。 | ||||||||||||||||||||
| 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 。 allow 和 disallow 字段也称为指令 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于
： 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 。即使有相关抓取工具的对应条目 ，如果未指定路径 ，详细了解基于路径值的网址匹配 。
| ||||||||||||||||||||