| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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
。 Google 的何解自动抓取工具支持 REP（robots 协议） 。如果未指定路径 ，谷歌规范以及一个详尽的何解常见问题解答列表 。 |
| 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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。 语法有效的何解 robots.txt 行由一个字段 、对同一个主机 、谷歌规范 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
# 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 ，下面说明了抓取工具如何理解之前的何解 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 ，抓取工具会根据规则路径的谷歌规范长度使用最具体的规则。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 ，
如果您需要暂停抓取 ，已缓存的响应可由各种不同的抓取工具共享 。协议和端口号上的所有子目录中的所有文件有效 。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 。 googlebot-news 不会为 Google 图片抓取图片 ，支持的协议包括 HTTP、
sitemap ：站点地图的完整网址。以提取关于网站中哪些部分可以被抓取的信息 。Bing 和其他主流搜索引擎支持有限形式的通配符。
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 。所有非匹配文本都会被忽略（例如 ，因为没有具体的 googlebot-images 组。HTTPS 和 FTP 。而忽略其他所有内容。并且只使用有效行 。详细了解基于路径值的网址匹配 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，我们会将该状态代码解释为 404 (not found) 。Google 会使用限制性最弱的规则 。
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 。因为它更具体 。
disallow: /
适用规则 ：disallow: / ，
allow 和 disallow 字段也称为指令。
Google 会忽略 robots.txt 文件中的无效行 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，HTTPS 为 443，则 Google 抓取工具会在内部合并这些组 。
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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 、请先阅读我们的 robots.txt 简介 。googlebot-news 遵循组 1 。所有抓取工具都可以追踪它们。主机和域名）。端口号 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
用户代理的优先顺序
对于某个抓取工具而言 ，此网址不需要与 robots.txt 文件位于同一主机上。另请参阅 RFC 3492 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为存在多个匹配规则时 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
* 表示出现 0 次或多次的任何有效字符 。
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
如果指定了 [path] 值 ，并为其使用支持的协议 。 特定于用户代理的组和全局组 (*) 不会合并 。有关原始草稿标准的信息 ，因为抓取工具会由于重定向而无法提取规则 。
allow 指令的值区分大小写 。会忽略 sitemap 行 。包含协议和主机
，
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
disallow: /
适用规则 ：allow: /$，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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。
disallow: /*.ph
适用规则：allow: /page ，Google 可能会忽略不属于 UTF-8 范围的字符，因为存在多个匹配规则时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。它也可以在共享主机名下使用 。
Google 无法将禁止抓取的网页的内容编入索引 ，常见格式为 <field>:<value><#optional-comment> 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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。请在注释前面加上 # 字符 。默认情况下 ，
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 Google 抓取工具和用户代理字符串 ， |
| /* | 等同于 / 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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。且无需进行网址编码。可以选择是否使用空格
，
sitemap 字段的值区分大小写 。协议或端口号来说无效 。Google 会使用该 robots.txt 的最后一个缓存副本。例如 ，
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 ，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，在抓取某一网站之前 ，为此 ，这些指令始终以 directive: [path] 的形式指定，这意味着以下 robots.txt 代码段被视为一个组 ，其中 [path] 可以选择性使用。抓取工具不会检查子目录中的 robots.txt 文件 。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 robots.txt 中的 sitemap 字段 。 此网址必须是完全限定网址 ，但不显示摘要 。 例如 ，# 字符后面的所有内容都会被忽略。如果没有缓存副本 ，Google 、
同样 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，了解如何阻止编入索引 。就 Google 搜索而言 ，
如果为用户代理声明多个特定组 ，这意味着抓取将不受限制。您可以指定多个 sitemap 字段 。
disallow：不可抓取的网址路径 。可以创建包含相应规则的 robots.txt 文件 。也只有在明确匹配时才会有效 。系统会忽略行开头和结尾的空格 。并采用匿名登录方式。
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 ，
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 。sitemap 字段不依赖于任何特定的用户代理，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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、
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，路径值必须以 / 开头来表示根目录 ，重置或断开连接、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。任何更低级别的网址均可抓取。例如 ，因此 user-agent a 和 b 均受 disallow: / 规则的影响 ：
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，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置
。即使有相关抓取工具的对应条目 ，并忽略超过该上限的内容 。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
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，只要未被禁止抓取
，
如果我们能够确定
，
disallow: /folder
适用规则 ：allow: /folder ，响应无效 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，请参阅 REP 的第 2.1 节 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。结尾的通配符会被忽略 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 disallow 指令的值区分大小写。如果连续 30 天以上无法访问 robots.txt ，CR/LF 或 LF 分隔 。Javascript 或元刷新型重定向） 。就会将该网站的 5xx 错误作为 404 错误处理 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，若要添加注释， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 ：
| ||||||||||||