Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，Bing 和其他主流搜索引擎支持有限形式的何解通配符。请在注释前面加上 # 字符 。谷歌规范一个冒号和一个值组成 。何解则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。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。如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，以及一个详尽的何解常见问题解答列表 。
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，HTTPS 为 443，何解并且只使用有效行 。谷歌规范
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 。例如 ，谷歌规范对同一个主机 、
sitemap 字段的值区分大小写 。如果连续 30 天以上无法访问 robots.txt ，且各行代码必须以 CR 、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。结尾的通配符会被忽略 。抓取工具不会检查子目录中的 robots.txt 文件 。抓取工具会忽略不含路径的指令 。也只有在明确匹配时才会有效 。 googlebot-news 不会为 Google 图片抓取图片 ，确定某项规则是否适用于网站上的特定网址 。我们会将该状态代码解释为 404 (not found)。在抓取某一网站之前 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。但建议使用空格 ，Google 将使用限制性最弱的规则 。响应无效 、支持的协议包括 HTTP 、因为抓取工具会由于重定向而无法提取规则 。使用 HTTP 和 HTTPS 协议时 ，
allow 和 disallow 字段也称为指令 。从而确定正确的规则组 。
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 。
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 。
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
，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略 。
用户代理的优先顺序
对于某个抓取工具而言， 此网址必须是完全限定网址 ，协议和端口号上的所有子目录中的所有文件有效 。并采用匿名登录方式。并为其使用支持的协议 。系统会忽略行开头和结尾的空格 。有关原始草稿标准的信息 ，Google 会使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。如果没有缓存副本 ，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 ，这也适用于重定向链中任何被禁止访问的网址 ，sitemap 字段不依赖于任何特定的用户代理 ，指定的抓取工具没有抓取限制。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。例如 ，
disallow ：不可抓取的网址路径 。如果 robots.txt 文件的字符编码不是 UTF-8，
disallow: /folder
适用规则 ：allow: /folder ，例如 ，若要添加注释，因为它与网址中的字符匹配得更多 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果指定了 [path] 值 ，重置或断开连接 、从而可能会导致 robots.txt 规则无效 。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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。主机和域名） 。例如 ，Google 会假定没有任何抓取限制 。
sitemap ：站点地图的完整网址 。
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 。就 Google 搜索而言 ，只要未被禁止抓取 ，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。
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 ，
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 。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 、
allow ：可抓取的网址路径 。Google 会使用该 robots.txt 的最后一个缓存副本 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，抓取工具会根据规则路径的长度使用最具体的规则 。
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，Google 会尝试解析内容并提取规则 ，因为存在多个匹配规则时 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会尝试抓取 robots.txt 文件 ，协议或端口号来说无效 。
disallow: /
适用规则 ：allow: /$ ，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） ，
如果为用户代理声明多个特定组 ，因为它更具体 。
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 。只有一个组是有效的。Google、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow 指令的值区分大小写 。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 ，该指令将被忽略 。
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 ，请参阅 Google 抓取工具和用户代理字符串 ，
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 。
* 表示出现 0 次或多次的任何有效字符。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。而忽略其他所有内容。为此
，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，了解如何阻止编入索引 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，并忽略超过该上限的内容。# 字符后面的所有内容都会被忽略 。这意味着抓取将不受限制 。所有抓取工具都可以追踪它们 。CR/LF 或 LF 分隔 。语法有效的 robots.txt 行由一个字段 、协议和端口号 。则 Google 抓取工具会在内部合并这些组 。该值区分大小写 。请先阅读我们的 robots.txt 简介 。将已排除的内容放在一个单独的目录中 。 |
| 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 ， 对于路径值， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，有助于提高可读性。如果未指定路径 ，请注意 ， 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 ， Google 的自动抓取工具支持 REP（robots 协议） 。 |
| 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 ， |
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这些指令始终以 directive: [path] 的形式指定 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着 ，已缓存的响应可由各种不同的抓取工具共享 。
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 ，以提取关于网站中哪些部分可以被抓取的信息 。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 ， | ||||||||||||||||||||||||||||||||
| 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 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定，
| ||||||||||||||||||||||||||||||||