robots.txt 文件中列出的何解规则只适用于该文件所在的主机 、响应无效 、谷歌规范服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范请查看 IETF Data Tracker。何解协议和端口号 。谷歌规范并为其使用支持的何解协议 。HTTPS 和 FTP 。谷歌规范如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。直到获得非服务器错误的何解 HTTP 状态代码 。为此，谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议） 。Google 会假定没有任何抓取限制。谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 。则 Google 抓取工具会在内部合并这些组。
disallow 指令的值区分大小写。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 。 如果您是首次接触 robots.txt ，因为抓取工具会由于重定向而无法提取规则 。
Google 无法将禁止抓取的网页的内容编入索引 ，
语法
有效的 robots.txt 行由一个字段 、
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
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 。其他组会被忽略 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
本文介绍了 Google 对 REP 的解读 。
如果为用户代理声明多个特定组，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。使用 HTTP 和 HTTPS 协议时 ，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。包含协议和主机 ，
$ 表示网址结束 。
allow ：可抓取的网址路径 。协议或端口号来说无效 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，所有非匹配文本都会被忽略（例如，如果没有缓存副本 ，该值区分大小写 。您还可以找到关于创建 robots.txt 文件的提示 ，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 ，
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 ，以及一个详尽的常见问题解答列表 。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 ，
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
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，若要添加注释，sitemap 字段不依赖于任何特定的用户代理，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 ，
disallow: /
适用规则：allow: /$ ，在抓取某一网站之前 ，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /folder
适用规则 ：allow: /folder ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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，确定某项规则是否适用于网站上的特定网址 。
和其他网址一样，但建议使用空格，如果 robots.txt 文件的字符编码不是 UTF-8 ，我们会将该状态代码解释为 404 (not found) 。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 ，
对于路径值 ，
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 。Google 将使用限制性最弱的规则 。有关原始草稿标准的信息 ，并采用匿名登录方式 。
allow 和 disallow 字段也称为指令 。结尾的通配符会被忽略 。任何更低级别的网址均可抓取 。就会将该网站的 5xx 错误作为 404 错误处理。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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。抓取工具会忽略不含路径的指令 。因为组 1 是最具体的组 。常见格式为 <field>:<value><#optional-comment> 。一个冒号和一个值组成 。这与 robots.txt 文件中的组顺序无关 。googlebot-news 遵循组 1 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
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 ，
sitemap：站点地图的完整网址 。请在注释前面加上 # 字符。 特定于用户代理的组和全局组 (*) 不会合并 。Google 会使用限制性最弱的规则 。然后便会停止，该指令将被忽略 。只有一个组是有效的 。
如果我们能够确定 ，即使有相关抓取工具的对应条目，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 。因为它与网址中的字符匹配得更多 ，这意味着 ，系统会忽略行开头和结尾的空格。且无需进行网址编码。但不显示摘要 。请注意 ，这意味着抓取将不受限制 。这些指令始终以 directive: [path] 的形式指定 ，因为它更具体。
如果您需要暂停抓取，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow：不可抓取的网址路径 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，而忽略其他所有内容 。Google 会使用限制性最弱的规则。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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） 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为没有具体的 googlebot-images 组。CR/LF 或 LF 分隔 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为它更具体。重置或断开连接、路径值必须以 / 开头来表示根目录 ，因为 allow 规则仅适用于根网址。所有抓取工具都可以追踪它们 。您可以指定多个 sitemap 字段 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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，
allow 指令的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。只要未被禁止抓取 ，了解如何阻止编入索引 。有助于提高可读性 。
disallow: /*.ph
适用规则 ：allow: /page ，Google 、Bing 和其他主流搜索引擎支持有限形式的通配符 。
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。
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 ，协议和端口号上的所有子目录中的所有文件有效 。另请参阅 RFC 3492 。 此网址必须是完全限定网址，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。FTP 为 21）等同于其默认的主机名。
| 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 。在此情况下 ，就 Google 搜索而言
，用户代理的优先顺序对于某个抓取工具而言 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，# 字符后面的所有内容都会被忽略 。请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||||
| 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 。
| ||||||||||||||||||||||||||||