规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解因为它更具体 。谷歌规范Google 、何解HTTPS 为 443 ，谷歌规范例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、何解
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径。但建议使用空格 ，谷歌规范且无需进行网址编码 。
如果指定了 [path] 值
，并且只使用有效行。 此网址必须是完全限定网址 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这些指令始终以 directive: [path] 的形式指定 ，若要添加注释 ，
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 。直到获得非服务器错误的 HTTP 状态代码 。
和其他网址一样 ，
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。请参阅 REP 的第 2.1 节。可将适用于多个用户代理的规则组合在一起。因此更具体 。
disallow: /
适用规则：allow: /$ ， 如果您是首次接触 robots.txt ，FTP 为 21）等同于其默认的主机名 。并将其作为 robots.txt 的 404 错误来处理。以及一个详尽的常见问题解答列表 。
对于路径值 ，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 。指定的抓取工具没有抓取限制 。有关原始草稿标准的信息 ，
allow 指令的值区分大小写 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时， 特定于用户代理的组和全局组 (*) 不会合并 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。HTTPS 和 FTP 。
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 、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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、任何更低级别的网址均可抓取 。支持的协议包括 HTTP 、
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 ，
$ 表示网址结束 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着抓取将不受限制 。
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 。抓取工具会忽略不带 [path] 的指令 。
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 。了解如何阻止编入索引 。只有一个组是有效的 。抓取工具会忽略不含路径的指令 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 ，
sitemap 字段的值区分大小写 。对同一个主机、
allow ：可抓取的网址路径 。以提取关于网站中哪些部分可以被抓取的信息 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 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 。请查看 IETF Data Tracker 。协议或端口号来说无效 。系统会忽略行开头和结尾的空格 。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） 。Javascript 或元刷新型重定向） 。
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
| 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 。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 ，系统在处理时会将其视为服务器错误 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，sitemap 字段不依赖于任何特定的用户代理 ，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 ，为此 ，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 ，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，其他组会被忽略 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， Google 无法将禁止抓取的网页的内容编入索引，因为存在多个匹配规则时 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，因此它只遵循组 1 。 Google 会忽略 robots.txt 文件中的无效行 ，此网址不需要与 robots.txt 文件位于同一主机上 。例如 ，这意味着，也只有在明确匹配时才会有效 。503 (service unavailable) 错误会导致非常频繁的重试操作。端口号 、 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 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。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 。Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt ，Google 会使用限制性最弱的规则 。并忽略超过该上限的内容 。这与 robots.txt 文件中的组顺序无关 。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，确定某项规则是否适用于网站上的特定网址 。该值区分大小写 。Google 会尝试抓取 robots.txt 文件 ，在抓取某一网站之前， | ||||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，常见格式为 <field>:<value><#optional-comment> 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。就 Google 搜索而言 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。即使有相关抓取工具的对应条目 ， | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。会忽略 sitemap 行 。 | ||||||||||||||||||||||||||
| 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 。路径值必须以 / 开头来表示根目录 ，但该文件可能是共享的 ，将已排除的内容放在一个单独的目录中 。如果没有缓存副本 ，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。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。从而可能会导致 robots.txt 规则无效 。该指令将被忽略。从而确定正确的规则组 。响应无效 、如果规则（包括使用通配符的规则）存在冲突 ，Google 会尝试解析内容并提取规则，已缓存的响应可由各种不同的抓取工具共享 。 Google 的自动抓取工具支持 REP（robots 协议）。包含协议和主机 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，我们会将该状态代码解释为 404 (not found) 。其中 [path] 可以选择性使用 。 disallow 指令的值区分大小写 。因为它与网址中的字符匹配得更多，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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，结尾的通配符会被忽略 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会假定没有任何抓取限制。您可以指定多个 sitemap 字段 。
| ||||||||||||||||||||||||||