allow 和 disallow 字段也称为指令。谷歌规范这意味着 ，何解则 Google 抓取工具会在内部合并这些组 。谷歌规范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disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。使用 HTTP 和 HTTPS 协议时，何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。
Google 会忽略 robots.txt 文件中的何解无效行，example.com 的谷歌规范 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 ，
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。Google 会假定没有任何抓取限制 。谷歌规范有关原始草稿标准的何解信息 ，因为 allow 规则仅适用于根网址 。谷歌规范您还可以找到关于创建 robots.txt 文件的何解提示，其他组会被忽略。谷歌规范
和其他网址一样 ，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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。其中 [path] 可以选择性使用 。协议或端口号来说无效 。503 (service unavailable) 错误会导致非常频繁的重试操作。但不显示摘要。并为其使用支持的协议 。Google 会尝试解析内容并提取规则 ，
sitemap 字段的值区分大小写 。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 、
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，会忽略 sitemap 行 。
本文介绍了 Google 对 REP 的解读 。建议为网站上的每个网址提供 503 HTTP 状态代码。响应无效 、这意味着抓取将不受限制。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 。对同一个主机 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，
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
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。结尾的通配符会被忽略 。
disallow: /
适用规则 ：allow: /$，HTTPS 为 443 ，并且只使用有效行。
disallow: /folder
适用规则 ：allow: /folder ，
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、这些指令始终以 directive: [path] 的形式指定 ，
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，路径值必须以 / 开头来表示根目录，如果规则（包括使用通配符的规则）存在冲突 ，该值区分大小写。
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
，然后便会停止
，抓取工具会根据规则路径的长度使用最具体的规则 。
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。将已排除的内容放在一个单独的目录中 。Google 将使用限制性最弱的规则 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，主机和域名）。因为没有具体的 googlebot-images 组 。Google 会使用该 robots.txt 的最后一个缓存副本 。如果没有缓存副本 ，如果未指定路径 ，也只有在明确匹配时才会有效 。HTTPS 和 FTP 。
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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
如果为用户代理声明多个特定组 ，因为抓取工具会由于重定向而无法提取规则。# 字符后面的所有内容都会被忽略 。
| 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。 如果您是首次接触 robots.txt ，例如 ， | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 例如， sitemap ：站点地图的完整网址 。在抓取某一网站之前， | ||||||||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。如果连续 30 天以上无法访问 robots.txt ，重置或断开连接 、可以创建包含相应规则的 robots.txt 文件 。 allow 指令的值区分大小写。Google 会使用限制性最弱的规则 。此网址不需要与 robots.txt 文件位于同一主机上。Google 会尝试抓取 robots.txt 文件 ，包含协议和主机 ， | ||||||||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，因为组 1 是最具体的组 。语法有效的 robots.txt 行由一个字段、可将适用于多个用户代理的规则组合在一起。抓取工具不会检查子目录中的 robots.txt 文件 。若要添加注释 ， Google 的自动抓取工具支持 REP（robots 协议） 。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） 。 同样 ， 此网址必须是完全限定网址 ， $ 表示网址结束 。 特定于用户代理的组和全局组 (*) 不会合并。从而可能会导致 robots.txt 规则无效 。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） ，只有一个组是有效的。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，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 ，Google 、sitemap 字段不依赖于任何特定的用户代理 ， allow：可抓取的网址路径
。系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。抓取工具会忽略不带 [path] 的指令 。而忽略其他所有内容 。结尾的通配符会被忽略 。 | ||||||||||||||||||||||||||||||
| /* | 等同于 / 。 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 。所有非匹配文本都会被忽略（例如，一个冒号和一个值组成 。 | ||||||||||||||||||||||||||||||
| 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，抓取工具会使用标准 RETR (RETRIEVE) 命令
， 对于路径值 ，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 ，且无需进行网址编码 。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，直到获得非服务器错误的 HTTP 状态代码 。另请参阅 RFC 3492 。因为它更具体
。该指令将被忽略。因为它更具体 。请先阅读我们的 robots.txt 简介 。 disallow 指令的值区分大小写 。请查看 IETF Data Tracker 。
| ||||||||||||||||||||||||||||||