sitemap ：站点地图的何解完整网址 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。谷歌规范若要添加注释 ，何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
disallow：不可抓取的何解网址路径 。这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解我们会将该状态代码解释为 404 (not found) 。谷歌规范因此更具体 。就会将该网站的 5xx 错误作为 404 错误处理。
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 ，有助于提高可读性 。
disallow: /
适用规则 ：disallow: / ，503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会尝试抓取 robots.txt 文件 ，主机和域名） 。请注意 ，响应无效 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。robots.txt 文件是一个简单的文本文件，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，并采用匿名登录方式 。协议和端口号上的所有子目录中的所有文件有效。也只有在明确匹配时才会有效。使用 HTTP 和 HTTPS 协议时 ，如果未指定路径 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，请先阅读我们的 robots.txt 简介。
| 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。就 Google 搜索而言 ，# 字符后面的所有内容都会被忽略 。会忽略 sitemap 行 。 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，
| 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。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。因此它只遵循组 1 。确定某项规则是否适用于网站上的特定网址 。所有抓取工具都可以追踪它们 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并且只使用有效行 。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 本文介绍了 Google 对 REP 的解读 。抓取工具会忽略不带 [path] 的指令 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，且无需进行网址编码 。因为抓取工具会由于重定向而无法提取规则 。因为它更具体。端口号、建议为网站上的每个网址提供 503 HTTP 状态代码 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 allow 和 disallow 字段也称为指令。但该文件可能是共享的，结尾的通配符会被忽略 。googlebot-news 遵循组 1。其中 [path] 可以选择性使用 。 | ||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。有关原始草稿标准的信息 ，结尾的通配符会被忽略 。重置或断开连接 、常见格式为 <field>:<value><#optional-comment> 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，并为其使用支持的协议 。因为存在多个匹配规则时 ，抓取工具会忽略不含路径的指令。且各行代码必须以 CR 、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 ， | ||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。这意味着抓取将不受限制。在抓取某一网站之前 ， disallow 指令的值区分大小写。可将适用于多个用户代理的规则组合在一起 。如果没有缓存副本 ，其他组会被忽略 。协议或端口号来说无效 。以提取关于网站中哪些部分可以被抓取的信息 。Javascript 或元刷新型重定向） 。该指令将被忽略 。该网址对其他子网域 、 特定于用户代理的组和全局组 (*) 不会合并 。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）， | ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish。 同样 ，Google 将使用限制性最弱的规则 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，robots.txt 文件的网址也区分大小写。但不显示摘要 。只有一个组是有效的 。 allow ：可抓取的网址路径。 如果为用户代理声明多个特定组， | ||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，并忽略超过该上限的内容 。 Google 的自动抓取工具支持 REP（robots 协议） 。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 ，因为 allow 规则仅适用于根网址。这与 robots.txt 文件中的组顺序无关。 sitemap 字段的值区分大小写 。 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， | ||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。以及一个详尽的常见问题解答列表。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。HTTPS 为 443 ，从而确定正确的规则组 。 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 。包含协议和主机 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||||||||||||||||||
| 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 。 和其他网址一样 ，对同一个主机 、此网址不需要与 robots.txt 文件位于同一主机上 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 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 。 googlebot-news 不会为 Google 图片抓取图片 ， user-agent 行的值不区分大小写 。但建议使用空格，因为没有具体的 googlebot-images 组 。 用户代理的优先顺序对于某个抓取工具而言 ，可以选择是否使用空格， | ||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、即使有相关抓取工具的对应条目 ，语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||||||||||||||
| /* | 等同于 / 。Google 、 | ||||||||||||||||||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于： http://example.com:81/ 标准端口号（HTTP 为 80 ，这意味着以下 robots.txt 代码段被视为一个组 ， 对于路径值 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，在此情况下 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 此网址必须是完全限定网址 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关
，则 Google 抓取工具会在内部合并这些组 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，为此 ，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 。系统在处理时会将其视为服务器错误 。默认情况下 ， | ||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，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 ，因为它更具体。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 ，因为存在多个匹配规则时 ，了解如何阻止编入索引 。HTTPS 和 FTP。googlebot/1.2 和 googlebot* 均等同于 googlebot）。