规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，谷歌规范例如 ，何解
sitemap 字段的谷歌规范值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范例如 ，何解
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该指令将被忽略 。
disallow ：不可抓取的网址路径 。因为存在多个匹配规则时 ，如果未指定路径 ，建议为网站上的每个网址提供 503 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 。从而可能会导致 robots.txt 规则无效 。
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。 如果您是首次接触 robots.txt，robots.txt 文件的网址也区分大小写 。
disallow: /
适用规则 ：allow: /$ ，已缓存的响应可由各种不同的抓取工具共享 。
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 ，但不显示摘要 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。响应无效 、如果没有缓存副本 ，若要添加注释 ，在此情况下
，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，即使有相关抓取工具的对应条目 ， 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 ，但该文件可能是共享的 ，支持的协议包括 HTTP、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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。系统会忽略行开头和结尾的空格。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。它也可以在共享主机名下使用 。 Google 的自动抓取工具支持 REP（robots 协议） 。则 Google 抓取工具会在内部合并这些组 。抓取工具会忽略不带 [path] 的指令 。结尾的通配符会被忽略 。该值区分大小写 。因为没有具体的 googlebot-images 组。 disallow 指令的值区分大小写 。 Google 无法将禁止抓取的网页的内容编入索引 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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 。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 ，Google 、端口号 、
语法
有效的 robots.txt 行由一个字段 、有助于提高可读性 。
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，
本文介绍了 Google 对 REP 的解读 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent 行的值不区分大小写 。所有抓取工具都可以追踪它们 。Google 可能会忽略不属于 UTF-8 范围的字符 ，系统在处理时会将其视为服务器错误 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
和其他网址一样，
allow 和 disallow 字段也称为指令 。直到获得非服务器错误的 HTTP 状态代码 。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 ，
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。了解如何阻止编入索引。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因此更具体 。
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 ，任何更低级别的网址均可抓取 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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。FTP 为 21）等同于其默认的主机名 。这意味着以下 robots.txt 代码段被视为一个组 ，sitemap 字段不依赖于任何特定的用户代理 ，
disallow: /*.ph
适用规则：allow: /page，
Google 会忽略 robots.txt 文件中的无效行 ，包含协议和主机 ，
allow 指令的值区分大小写 。 特定于用户代理的组和全局组 (*) 不会合并 。
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 。重置或断开连接 、
同样 ，所有非匹配文本都会被忽略（例如 ，另请参阅 RFC 3492。Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 。请参阅 REP 的第 2.1 节 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，如果规则（包括使用通配符的规则）存在冲突 ，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） 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 将使用限制性最弱的规则 。
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 ，可以创建包含相应规则的 robots.txt 文件
。并将其作为 robots.txt 的 404 错误来处理 。 robots.txt 文件中列出的规则只适用于该文件所在的主机
、这些指令始终以 directive: [path] 的形式指定
，请参阅 Google 抓取工具和用户代理字符串 ，我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。就 Google 搜索而言 ，抓取工具会忽略不含路径的指令 。 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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， allow ：可抓取的网址路径 。协议或端口号来说无效 。CR/LF 或 LF 分隔。 用户代理的优先顺序对于某个抓取工具而言 ，常见格式为 <field>:<value><#optional-comment> 。Google 会使用限制性最弱的规则。然后便会停止 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。协议和端口号 。 | ||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。 如果您需要暂停抓取，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 ，HTTPS 为 443 ，且无需进行网址编码 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，因为组 1 是最具体的组 。 如果指定了 [path] 值 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。将已排除的内容放在一个单独的目录中 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，其中 [path] 可以选择性使用 。抓取工具不会检查子目录中的 robots.txt 文件 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。就会将该网站的 5xx 错误作为 404 错误处理 。 如果我们能够确定 ， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。
| ||||||||||||||||