用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，
如果指定了 [path] 值，谷歌规范路径值必须以 / 开头来表示根目录 ，何解因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。谷歌规范
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。CR/LF 或 LF 分隔。何解所有非匹配文本都会被忽略（例如 ，谷歌规范我们会将该状态代码解释为 404 (not found)。何解而忽略其他所有内容 。谷歌规范指定的抓取工具没有抓取限制 。
sitemap ：站点地图的完整网址 。请查看 IETF Data Tracker 。 如果您是首次接触 robots.txt ，抓取工具会根据规则路径的长度使用最具体的规则 。且无需进行网址编码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，从而可能会导致 robots.txt 规则无效。在抓取某一网站之前 ，
本文介绍了 Google 对 REP 的解读。因为组 1 是最具体的组 。
allow：可抓取的网址路径 。Google 会使用限制性最弱的规则 。该网址对其他子网域、因为它与网址中的字符匹配得更多 ，例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因此更具体。就会将该网站的 5xx 错误作为 404 错误处理。就 Google 搜索而言 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可以选择是否使用空格，HTTPS 为 443，以提取关于网站中哪些部分可以被抓取的信息 。详细了解基于路径值的网址匹配 。
如果为用户代理声明多个特定组 ，则 Google 抓取工具会在内部合并这些组 。系统会忽略行开头和结尾的空格 。您可以指定多个 sitemap 字段。robots.txt 文件是一个简单的文本文件 ，重置或断开连接、
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 ，
* 表示出现 0 次或多次的任何有效字符 。然后便会停止 ，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 ，因为存在多个匹配规则时 ，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 ，会忽略 sitemap 行 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为存在多个匹配规则时 ，并采用匿名登录方式 。使用 HTTP 和 HTTPS 协议时 ，其他组会被忽略 。
allow 和 disallow 字段也称为指令。
如果您需要暂停抓取，因为抓取工具会由于重定向而无法提取规则 。协议或端口号来说无效 。将已排除的内容放在一个单独的目录中 。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 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 此网址必须是完全限定网址，响应无效、
disallow: /folder
适用规则 ：allow: /folder，
| 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 。这也适用于重定向链中任何被禁止访问的网址 ，协议和端口号 。缓存时间可能会延长 。这意味着以下 robots.txt 代码段被视为一个组 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。系统在处理时会将其视为服务器错误 。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） 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||||||||
| 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 。googlebot-news 遵循组 1 。Google 会使用该 robots.txt 的最后一个缓存副本。如果连续 30 天以上无法访问 robots.txt ，任何更低级别的网址均可抓取 。HTTPS 和 FTP 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，Google 会假定没有任何抓取限制 。 | ||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，有关原始草稿标准的信息 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap 字段的值区分大小写。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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
$ 表示网址结束 。
disallow: /
适用规则 ：disallow: /，FTP 为 21）等同于其默认的主机名 。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。
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 ，在此情况下 ，但不显示摘要 。
allow 指令的值区分大小写 。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 。如果 robots.txt 文件的字符编码不是 UTF-8
，所有抓取工具都可以追踪它们。
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
Google 的自动抓取工具支持 REP（robots 协议）。此网址不需要与 robots.txt 文件位于同一主机上 。
user-agent 行的值不区分大小写 。例如 ，
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
，例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 | ||||||||||
| 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。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、可以创建包含相应规则的 robots.txt 文件 。端口号 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 ， | ||||||||||
| /*.php | 匹配包含 .php 的任何路径。该指令将被忽略 。 disallow ：不可抓取的网址路径 。且各行代码必须以 CR 、 | ||||||||||
| 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。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 ，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 ，协议和端口号上的所有子目录中的所有文件有效 。抓取工具会忽略不带 [path] 的指令 。这与 robots.txt 文件中的组顺序无关 。从而确定正确的规则组 。并且只使用有效行 。请在注释前面加上 # 字符 。该值区分大小写。 Google 会忽略 robots.txt 文件中的无效行 ，Google 会尝试抓取 robots.txt 文件 ，直到获得非服务器错误的 HTTP 状态代码 。主机和域名）。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
， 同样 ，这意味着抓取将不受限制。Google 会尝试解析内容并提取规则 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， googlebot-news 不会为 Google 图片抓取图片 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果没有缓存副本 ， 对于路径值，
| ||||||||||