disallow 指令的谷歌规范值区分大小写 。
如果为用户代理声明多个特定组 ，谷歌规范协议和端口号上的何解所有子目录中的所有文件有效 。
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，系统在处理时会将其视为服务器错误 。
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 。
sitemap：站点地图的完整网址 。这意味着以下 robots.txt 代码段被视为一个组 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，CR/LF 或 LF 分隔 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 会使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如 ，抓取工具不会检查子目录中的 robots.txt 文件 。Bing 和其他主流搜索引擎支持有限形式的通配符。
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 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会尝试解析内容并提取规则，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该指令将被忽略 。Javascript 或元刷新型重定向）。googlebot-news 遵循组 1 。Google 会使用限制性最弱的规则 。然后便会停止 ，缓存时间可能会延长 。并将其作为 robots.txt 的 404 错误来处理 。
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 。端口号 、只有一个组是有效的。直到获得非服务器错误的 HTTP 状态代码 。其他组会被忽略 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
$ 表示网址结束。也只有在明确匹配时才会有效 。抓取工具会忽略不含路径的指令 。并为其使用支持的协议。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，确定某项规则是否适用于网站上的特定网址。robots.txt 文件是一个简单的文本文件 ，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） 。
| 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。 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。详细了解基于路径值的网址匹配 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， disallow ：不可抓取的网址路径 。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 ，可以选择是否使用空格 ，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 。为此 ，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
，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，响应无效 、这与 robots.txt 文件中的组顺序无关。 | ||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，将已排除的内容放在一个单独的目录中
。Google 会使用该 robots.txt 的最后一个缓存副本。
如果我们能够确定 ，因为它更具体 。即使有相关抓取工具的对应条目 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
allow ：可抓取的网址路径 。包含协议和主机，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、 特定于用户代理的组和全局组 (*) 不会合并。FTP 为 21）等同于其默认的主机名。Google 会假定没有任何抓取限制 。但该文件可能是共享的 ，
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 。
disallow: /*.ph
适用规则 ：allow: /page ，因此更具体。请查看 IETF Data Tracker 。 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 。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 ，就 Google 搜索而言 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，主机和域名） 。有助于提高可读性 。这些指令始终以 directive: [path] 的形式指定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，已缓存的响应可由各种不同的抓取工具共享 。在此情况下，
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 ，
同样 ，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。
disallow: /
适用规则 ：allow: /$ ，以及一个详尽的常见问题解答列表 。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 ，
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
，请参阅 Google 抓取工具和用户代理字符串 ，它也可以在共享主机名下使用。例如
，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 ，因为存在多个匹配规则时
，
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
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，这意味着抓取将不受限制 。 | ||||||||||||||
| 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 robots.txt 只在抓取作为主机名的该 IP 地址时有效。因为它更具体 。且各行代码必须以 CR 、路径值必须以 / 开头来表示根目录 ，HTTPS 为 443， allow 指令的值区分大小写 。 | ||||||||||||||
| 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 ，这意味着 ， | ||||||||||||||
| 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，该值区分大小写。这些通配符包括
： * 表示出现 0 次或多次的任何有效字符。这也适用于重定向链中任何被禁止访问的网址 ，因为存在多个匹配规则时， | ||||||||||||||
| 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。有关原始草稿标准的信息 ， | ||||||||||||||
| /$ | 仅匹配根目录 。从而可能会导致 robots.txt 规则无效 。结尾的通配符会被忽略 。结尾的通配符会被忽略
。协议或端口号来说无效。任何更低级别的网址均可抓取 。 此网址必须是完全限定网址， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 如果您是首次接触 robots.txt ，
| ||||||||||||||