sitemap ：站点地图的谷歌规范完整网址 。
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，
* 表示出现 0 次或多次的谷歌规范任何有效字符。
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 。
allow 和 disallow 字段也称为指令 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
| 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 。 disallow 指令的值区分大小写 。协议或端口号来说无效 。 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） 。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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 和其他网址一样，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、 |
| Googlebot（网络） | googlebot 遵循组 3 。Bing 和其他主流搜索引擎支持有限形式的通配符。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ， | ||||||||||||||||||||||||||
| 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 ，并采用匿名登录方式
。HTTPS 为 443 ，主机和域名） 。 同样 ，另请参阅 RFC 3492 。若要添加注释，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 如果为用户代理声明多个特定组 ，有关原始草稿标准的信息 ，我们会将该状态代码解释为 404 (not found) 。支持的协议包括 HTTP、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，结尾的通配符会被忽略 。CR/LF 或 LF 分隔 。抓取工具不会检查子目录中的 robots.txt 文件。在抓取某一网站之前，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， user-agent 行的值不区分大小写 。 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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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，以提取关于网站中哪些部分可以被抓取的信息 。协议和端口号 。会忽略 sitemap 行 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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 ，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 。 | ||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于： 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 。 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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。只要未被禁止抓取，Google 将使用限制性最弱的规则。可将适用于多个用户代理的规则组合在一起 。但不显示摘要 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 会尝试解析内容并提取规则 ， allow 指令的值区分大小写。 语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||||||||||
| 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 ， sitemap 字段的值区分大小写。所有抓取工具都可以追踪它们 。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这意味着以下 robots.txt 代码段被视为一个组 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 。例如 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，有助于提高可读性 。且各行代码必须以 CR 、从而确定正确的规则组 。HTTPS 和 FTP。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 。响应无效 、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 ，
allow：可抓取的网址路径。您还可以找到关于创建 robots.txt 文件的提示 ，Google 会尝试抓取 robots.txt 文件 ，Google、
本文介绍了 Google 对 REP 的解读 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 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
。其中 [path] 可以选择性使用 。因为它更具体 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。FTP 为 21）等同于其默认的主机名 。 |
| /*.php | 匹配包含 .php 的任何路径 。 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。例如 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 特定于用户代理的组和全局组 (*) 不会合并 。 |
| /fish | 匹配以 /fish 开头的任何路径 。包含协议和主机 ，因为它与网址中的字符匹配得更多 ，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 ， 此网址必须是完全限定网址
，robots.txt 文件的网址也区分大小写 。 Google 无法将禁止抓取的网页的内容编入索引 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page， 用户代理的优先顺序对于某个抓取工具而言 ，但建议使用空格 ， |
| /$ | 仅匹配根目录。请在注释前面加上 # 字符 。直到获得非服务器错误的 HTTP 状态代码。因为抓取工具会由于重定向而无法提取规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，googlebot-news 遵循组 1。例如 ，已缓存的响应可由各种不同的抓取工具共享。任何更低级别的网址均可抓取 。并且只使用有效行。该指令将被忽略 。 对于路径值，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这些指令始终以 directive: [path] 的形式指定 ， |
| 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 。 $ 表示网址结束 。您可以指定多个 sitemap 字段 。 |
| 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> 。 |
| /* | 等同于 / 。重置或断开连接 、 如果我们能够确定 ，这意味着抓取将不受限制 。即使有相关抓取工具的对应条目，而忽略其他所有内容 。 |