语法
有效的何解 robots.txt 行由一个字段 、如果没有缓存副本 ，谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。Google、谷歌规范即使有相关抓取工具的何解对应条目 ，该网址对其他子网域 、谷歌规范例如 ：
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 ，何解CR/LF 或 LF 分隔 。谷歌规范也只有在明确匹配时才会有效 。何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范但建议使用空格 ，何解因为抓取工具会由于重定向而无法提取规则 。谷歌规范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 。并将其作为 robots.txt 的 404 错误来处理 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，系统在处理时会将其视为服务器错误。请注意 ，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 ，只要未被禁止抓取，
allow 指令的值区分大小写 。使用 HTTP 和 HTTPS 协议时 ，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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
如果指定了 [path] 值 ，
Google 无法将禁止抓取的网页的内容编入索引 ，并且只使用有效行 。因为它更具体。建议为网站上的每个网址提供 503 HTTP 状态代码。
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，如果规则（包括使用通配符的规则）存在冲突 ，对同一个主机 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 。
如果您需要暂停抓取 ，可将适用于多个用户代理的规则组合在一起 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。且各行代码必须以 CR 、结尾的通配符会被忽略 。其中 [path] 可以选择性使用。且无需进行网址编码。
和其他网址一样 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，
对于路径值 ，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 。该指令将被忽略 。这意味着抓取将不受限制 。Javascript 或元刷新型重定向）。抓取工具会根据规则路径的长度使用最具体的规则 。
user-agent 行的值不区分大小写 。我们会将该状态代码解释为 404 (not found) 。会忽略 sitemap 行 。可以创建包含相应规则的 robots.txt 文件 。
Google 会忽略 robots.txt 文件中的无效行，
| 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。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 。主机和域名） 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因此更具体 。协议或端口号来说无效 。HTTPS 为 443 ， 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。因为它与网址中的字符匹配得更多 ， sitemap ：站点地图的完整网址 。请在注释前面加上 # 字符 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，默认情况下 ，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 、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 。其他组会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为没有具体的 googlebot-images 组。抓取工具会忽略不含路径的指令 。此网址不需要与 robots.txt 文件位于同一主机上 。了解如何阻止编入索引 。而忽略其他所有内容 。 |
用户代理的优先顺序
对于某个抓取工具而言 ，例如 ，请参阅 REP 的第 2.1 节。为此 ，因为组 1 是最具体的组。
sitemap 字段的值区分大小写 。
disallow
：不可抓取的网址路径 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，任何更低级别的网址均可抓取。端口号 、重置或断开连接 、
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。sitemap 字段不依赖于任何特定的用户代理， 此网址必须是完全限定网址，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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。但该文件可能是共享的，以及一个详尽的常见问题解答列表 。可以选择是否使用空格 ，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） 。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） ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如，Bing 和其他主流搜索引擎支持有限形式的通配符 。因为存在多个匹配规则时 ，
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 ，
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 。FTP 为 21）等同于其默认的主机名 。它也可以在共享主机名下使用 。Google 会假定没有任何抓取限制。
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 ，这意味着以下 robots.txt 代码段被视为一个组 ，若要添加注释 ， | ||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、从而确定正确的规则组 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并采用匿名登录方式 。 | ||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，这些指令始终以 directive: [path] 的形式指定 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、只有一个组是有效的。所有抓取工具都可以追踪它们 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，在抓取某一网站之前 ，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， 本文介绍了 Google 对 REP 的解读 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，结尾的通配符会被忽略 。您还可以找到关于创建 robots.txt 文件的提示，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 特定于用户代理的组和全局组 (*) 不会合并 。 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 。# 字符后面的所有内容都会被忽略 。Google 会使用限制性最弱的规则 。 同样
，因为它更具体。 | ||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 | ||||||||||||||||||||||||||||||||
| 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。如果未指定路径 ， 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，系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。HTTPS 和 FTP 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。指定的抓取工具没有抓取限制 。如果 robots.txt 文件的字符编码不是 UTF-8 ， 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。 | ||||||||||||||||||||||||||||||||