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，
disallow: /
适用规则 ：disallow: / ，何解
语法
有效的谷歌规范 robots.txt 行由一个字段 、系统会忽略行开头和结尾的何解空格 。
allow：可抓取的谷歌规范网址路径。Google 会使用限制性最弱的何解规则。
如果指定了 [path] 值 ，谷歌规范
disallow 指令的何解值区分大小写 。下面说明了抓取工具如何理解之前的谷歌规范 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 ，如果未指定路径 ，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow: /
适用规则：allow: /$ ，
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
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。建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 会忽略 robots.txt 文件中的无效行 ，缓存时间可能会延长。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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） ，响应无效 、
disallow: /*.htm
适用规则 ：disallow: /*.htm ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。它也可以在共享主机名下使用 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。有助于提高可读性 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，您还可以找到关于创建 robots.txt 文件的提示，
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。会忽略 sitemap 行 。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 ，这些指令始终以 directive: [path] 的形式指定 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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
。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）。协议和端口号上的所有子目录中的所有文件有效 。
如果您需要暂停抓取 ，将已排除的内容放在一个单独的目录中 。
disallow: /folder
适用规则 ：allow: /folder ，
Google 无法将禁止抓取的网页的内容编入索引 ，
用户代理的优先顺序
对于某个抓取工具而言 ，并忽略超过该上限的内容 。为此 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。您可以指定多个 sitemap 字段。包含协议和主机 ，所有非匹配文本都会被忽略（例如 ，
allow 和 disallow 字段也称为指令 。
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
对于路径值 ，可以选择是否使用空格 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，因此它只遵循组 1。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。Google 会使用该 robots.txt 的最后一个缓存副本 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。且各行代码必须以 CR 、 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 。以提取关于网站中哪些部分可以被抓取的信息。Bing 和其他主流搜索引擎支持有限形式的通配符 。FTP 为 21）等同于其默认的主机名 。Google 可能会忽略不属于 UTF-8 范围的字符 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，对同一个主机
、在抓取某一网站之前 ，而忽略其他所有内容 。其中 [path] 可以选择性使用
。所有抓取工具都可以追踪它们
。可以创建包含相应规则的 robots.txt 文件。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
。若要添加注释，只要未被禁止抓取，sitemap 字段不依赖于任何特定的用户代理 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。请参阅 REP 的第 2.1 节 。
| 示例情况 | |||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，请查看 IETF Data Tracker 。Google 、结尾的通配符会被忽略 。系统在处理时会将其视为服务器错误。 | ||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、重置或断开连接 、 googlebot-news 不会为 Google 图片抓取图片 ， user-agent 行的值不区分大小写。这意味着以下 robots.txt 代码段被视为一个组，如果连续 30 天以上无法访问 robots.txt
，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
。如果规则（包括使用通配符的规则）存在冲突
，并且只使用有效行。CR/LF 或 LF 分隔 。 | ||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。就会将该网站的 5xx 错误作为 404 错误处理。 sitemap ：站点地图的完整网址 。 如果为用户代理声明多个特定组 ，其他组会被忽略 。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，但建议使用空格， | ||||||||||||||||||||||||||||||||
| 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 。此网址不需要与 robots.txt 文件位于同一主机上 。该值区分大小写 。并采用匿名登录方式 。Google 会尝试解析内容并提取规则 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 本文介绍了 Google 对 REP 的解读。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 同样 ， $ 表示网址结束 。因为存在多个匹配规则时 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 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 。可将适用于多个用户代理的规则组合在一起 。
| ||||||||||||||||||||||||||||||||