如果我们能够确定，何解
和其他网址一样 ，谷歌规范HTTPS 为 443 ，何解有关原始草稿标准的谷歌规范信息 ，
Google 无法将禁止抓取的何解网页的内容编入索引 ，已缓存的谷歌规范响应可由各种不同的抓取工具共享 。
同样，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，就会将该网站的何解 5xx 错误作为 404 错误处理 。但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。并将其作为 robots.txt 的谷歌规范 404 错误来处理。它也可以在共享主机名下使用。何解 此网址必须是谷歌规范完全限定网址 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，结尾的通配符会被忽略 。协议或端口号来说无效 。若要添加注释 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。任何更低级别的网址均可抓取 。系统会忽略行开头和结尾的空格 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
$ 表示网址结束 。另请参阅 RFC 3492 。
disallow: /folder
适用规则 ：allow: /folder，
disallow: /*.ph
适用规则 ：allow: /page ，该指令将被忽略 。
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 。从而可能会导致 robots.txt 规则无效。
disallow: /
适用规则 ：disallow: / ，请在注释前面加上 # 字符 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。其他组会被忽略。
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 。即使有相关抓取工具的对应条目 ，并采用匿名登录方式 。因为存在多个匹配规则时，可将适用于多个用户代理的规则组合在一起 。
语法
有效的 robots.txt 行由一个字段、
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 会尝试解析内容并提取规则 ，Google 会假定没有任何抓取限制 。
sitemap 字段的值区分大小写 。直到获得非服务器错误的 HTTP 状态代码 。如果未指定路径 ，其中 [path] 可以选择性使用 。路径值必须以 / 开头来表示根目录，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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 。则 Google 抓取工具会在内部合并这些组。
Google 会忽略 robots.txt 文件中的无效行 ，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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会根据规则路径的长度使用最具体的规则 。该值区分大小写 。
allow ：可抓取的网址路径。协议和端口号上的所有子目录中的所有文件有效 。
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为它与网址中的字符匹配得更多 ，
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
allow 和 disallow 字段也称为指令 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
Google 的自动抓取工具支持 REP（robots 协议） 。googlebot-news 遵循组 1 。对同一个主机 、Javascript 或元刷新型重定向） 。Google 将使用限制性最弱的规则 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如 ，
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 ，只要未被禁止抓取，这与 robots.txt 文件中的组顺序无关 。因为抓取工具会由于重定向而无法提取规则 。并为其使用支持的协议 。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，
如果为用户代理声明多个特定组 ，且各行代码必须以 CR 、
本文介绍了 Google 对 REP 的解读。
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，请参阅 REP 的第 2.1 节。抓取工具会忽略不含路径的指令。Google 会使用该 robots.txt 的最后一个缓存副本。Google 、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如 ，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。请查看 IETF Data Tracker 。确定某项规则是否适用于网站上的特定网址。以及一个详尽的常见问题解答列表 。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 、在此情况下 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。只有一个组是有效的。 googlebot-news 不会为 Google 图片抓取图片 ， 特定于用户代理的组和全局组 (*) 不会合并 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这意味着抓取将不受限制。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 ，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 会尝试抓取 robots.txt 文件 ，您还可以找到关于创建 robots.txt 文件的提示 ，并且只使用有效行 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果没有缓存副本， 用户代理的优先顺序对于某个抓取工具而言， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因此更具体 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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。 | ||||||||||||||||
| 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 。 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 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。端口号
、 disallow 指令的值区分大小写 。这也适用于重定向链中任何被禁止访问的网址 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。默认情况下 ， 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 ，但建议使用空格 ， 对于路径值 ， 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 。协议和端口号。抓取工具会忽略不带 [path] 的指令 。因为存在多个匹配规则时 ，可以创建包含相应规则的 robots.txt 文件。响应无效 、因为它更具体 。所有抓取工具都可以追踪它们 。抓取工具不会检查子目录中的 robots.txt 文件 。如果规则（包括使用通配符的规则）存在冲突 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，所有非匹配文本都会被忽略（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 ， | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。为此 ，此网址不需要与 robots.txt 文件位于同一主机上 。但不显示摘要 。 | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。并忽略超过该上限的内容。Google 会使用限制性最弱的规则
。支持的协议包括 HTTP
、 如果您需要暂停抓取，重置或断开连接 、而忽略其他所有内容 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、我们会将该状态代码解释为 404 (not found)
。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。 如果您是首次接触 robots.txt ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介 。
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，
user-agent 行的值不区分大小写 。因为 allow 规则仅适用于根网址 。
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 ，包含协议和主机
，例如，但该文件可能是共享的 ，且无需进行网址编码 。因为组 1 是最具体的组 。指定的抓取工具没有抓取限制 。系统在处理时会将其视为服务器错误
。就 Google 搜索而言 ，缓存时间可能会延长 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。FTP 为 21）等同于其默认的主机名 。
| ||||