sitemap：站点地图的谷歌规范完整网址 。建议为网站上的何解每个网址提供 503 HTTP 状态代码 。结尾的谷歌规范通配符会被忽略 。googlebot-news 遵循组 1 。何解因为它更具体 。谷歌规范请先阅读我们的何解 robots.txt 简介 。Google 会尝试解析内容并提取规则 ，谷歌规范如果没有缓存副本，何解如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，请注意 ，并为其使用支持的协议 。该值区分大小写 。并采用匿名登录方式 。并将其作为 robots.txt 的 404 错误来处理 。我们会将该状态代码解释为 404 (not found) 。所有抓取工具都可以追踪它们 。且各行代码必须以 CR 、此网址不需要与 robots.txt 文件位于同一主机上。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
如果指定了 [path] 值，
disallow: /
适用规则 ：disallow: / ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 ，robots.txt 文件是一个简单的文本文件， |
| /fish* | 等同于 /fish。 allow 和 disallow 字段也称为指令 。系统会忽略行开头和结尾的空格 。 |
| 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 。 用户代理的优先顺序对于某个抓取工具而言
，因为存在多个匹配规则时 ， 如果为用户代理声明多个特定组 ，请在注释前面加上 # 字符。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这与 robots.txt 文件中的组顺序无关 。抓取工具会忽略不带 [path] 的指令 。在此情况下 ，抓取工具会忽略不含路径的指令。
sitemap 字段的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
$ 表示网址结束。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 ，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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。HTTPS 为 443 ，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 。
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 。
disallow: /folder
适用规则 ：allow: /folder，
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。
# 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 ，因为它更具体 。
| 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 。以提取关于网站中哪些部分可以被抓取的信息 。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径。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。如果未指定路径 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 ， |
| Googlebot Images | googlebot-images 遵循组 2，FTP 为 21）等同于其默认的主机名。 Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。 user-agent 行的值不区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，就会将该网站的 5xx 错误作为 404 错误处理。 语法有效的 robots.txt 行由一个字段、协议和端口号 。只有一个组是有效的 。Javascript 或元刷新型重定向）。该网址对其他子网域 、 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。一个冒号和一个值组成 。
| 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。 | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。主机和域名） 。协议或端口号来说无效 。任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，重置或断开连接 、就 Google 搜索而言 ，包含协议和主机，可以选择是否使用空格， Google 的自动抓取工具支持 REP（robots 协议） 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、然后便会停止 ， Google 无法将禁止抓取的网页的内容编入索引 ，因为它与网址中的字符匹配得更多 ， 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 ，这意味着抓取将不受限制 。 对于路径值 ，抓取工具不会检查子目录中的 robots.txt 文件 。 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 ，Google 会使用限制性最弱的规则 。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 。 disallow 指令的值区分大小写 。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
， | ||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Google 会假定没有任何抓取限制 。Bing 和其他主流搜索引擎支持有限形式的通配符 。确定某项规则是否适用于网站上的特定网址 。常见格式为 <field>:<value><#optional-comment> 。只要未被禁止抓取 ， | ||||||||||||||||||||||||||||||||||||
| 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 。Google 会尝试抓取 robots.txt 文件 ，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 ，使用 HTTP 和 HTTPS 协议时 ，路径值必须以 / 开头来表示根目录，
| ||||||||||||||||||||||||||||||||||||