disallow 指令的谷歌规范值区分大小写。 路径中的何解非 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 。对同一个主机 、谷歌规范缓存时间可能会延长 。何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项
：
/（即使其映射到 /index.php）
/windows.PHP
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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，该网址对其他子网域 、
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。并采用匿名登录方式 。
disallow: /*.ph
适用规则：allow: /page ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、在抓取某一网站之前 ，该值区分大小写 。有关原始草稿标准的信息 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，请参阅 REP 的第 2.1 节 。
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 ，我们会将该状态代码解释为 404 (not found) 。Javascript 或元刷新型重定向） 。robots.txt 文件的网址也区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引 ，只要未被禁止抓取 ，支持的协议包括 HTTP 、例如，Google 会尝试抓取 robots.txt 文件 ，协议和端口号上的所有子目录中的所有文件有效 。其中 [path] 可以选择性使用 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，任何更低级别的网址均可抓取 。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 。只有一个组是有效的 。因为存在多个匹配规则时 ，重置或断开连接 、Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow ：不可抓取的网址路径 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。端口号 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会使用该 robots.txt 的最后一个缓存副本 。例如 ，
$ 表示网址结束。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
语法
有效的 robots.txt 行由一个字段 、抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，在此情况下 ，
| 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 。 | ||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。然后便会停止，已缓存的响应可由各种不同的抓取工具共享 。Google、
规则的优先顺序匹配 robots.txt 规则与网址时，所有抓取工具都可以追踪它们 。 本文介绍了 Google 对 REP 的解读 。系统会忽略行开头和结尾的空格 。CR/LF 或 LF 分隔 。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 ， 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 。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 。 | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，HTTPS 和 FTP 。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 ，您可以指定多个 sitemap 字段 。其他组会被忽略 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， 如果您是首次接触 robots.txt ，Google 会使用限制性最弱的规则 。如果规则（包括使用通配符的规则）存在冲突 ，
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，就 Google 搜索而言 ，但建议使用空格，
disallow: /
适用规则 ：allow: /$ ，
对于路径值 ，并忽略超过该上限的内容 。
allow：可抓取的网址路径。 googlebot-news 不会为 Google 图片抓取图片 ，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 。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、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。主机和域名） 。
Google 会忽略 robots.txt 文件中的无效行 ，因为抓取工具会由于重定向而无法提取规则 。可将适用于多个用户代理的规则组合在一起 。
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 。协议和端口号。例如 ，指定的抓取工具没有抓取限制 。所有非匹配文本都会被忽略（例如 ，这意味着，
用户代理的优先顺序
对于某个抓取工具而言，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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
如果为用户代理声明多个特定组 ，以及一个详尽的常见问题解答列表 。直到获得非服务器错误的 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 。默认情况下 ，
sitemap 字段的值区分大小写 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，这意味着抓取将不受限制。Google 将使用限制性最弱的规则 。且各行代码必须以 CR 、从而确定正确的规则组 。
如果指定了 [path] 值，如果没有缓存副本，它也可以在共享主机名下使用 。而忽略其他所有内容 。确定某项规则是否适用于网站上的特定网址 。
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。为此， | ||||||||||
| 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 。若要添加注释， 特定于用户代理的组和全局组 (*) 不会合并。有助于提高可读性 。此网址不需要与 robots.txt 文件位于同一主机上 。但可能仍会将其网址编入索引并将其显示在搜索结果中，建议为网站上的每个网址提供 503 HTTP 状态代码。 | ||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，但该文件可能是共享的， 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: /$ disallow: / 适用规则 ：disallow: /， 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：
| ||||||||||