* 表示出现 0 次或多次的谷歌规范任何有效字符 。 例如 ，何解可将适用于多个用户代理的谷歌规范规则组合在一起 。抓取工具不会检查子目录中的何解 robots.txt 文件 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。robots.txt 文件是何解一个简单的文本文件 ，
sitemap ：站点地图的谷歌规范完整网址。如果未指定路径 ，何解详细了解基于路径值的谷歌规范网址匹配 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。
Google 的自动抓取工具支持 REP（robots 协议） 。
如果为用户代理声明多个特定组，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。请查看 IETF Data Tracker 。它也可以在共享主机名下使用。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这意味着抓取将不受限制 。
disallow ：不可抓取的网址路径。可以选择是否使用空格 ，sitemap 字段不依赖于任何特定的用户代理 ，可以创建包含相应规则的 robots.txt 文件 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、抓取工具会使用标准 RETR (RETRIEVE) 命令
，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） 。为此， 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这与 robots.txt 文件中的组顺序无关
。也只有在明确匹配时才会有效
。但不显示摘要。
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: /*.ph
适用规则 ：allow: /page ，
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 。并且只使用有效行 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，并忽略超过该上限的内容 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，# 字符后面的所有内容都会被忽略 。
disallow: /
适用规则 ：disallow: /，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读 。系统在处理时会将其视为服务器错误 。在抓取某一网站之前 ，只要未被禁止抓取，该值区分大小写。任何更低级别的网址均可抓取 。
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。响应无效 、
| 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。而忽略其他所有内容
。语法有效的 robots.txt 行由一个字段 、这也适用于重定向链中任何被禁止访问的网址， | ||||||||||
| 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 。Google 会尝试解析内容并提取规则 ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 将使用限制性最弱的规则
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因此它只遵循组 1 。 | ||||||||||
| 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 ，指定的抓取工具没有抓取限制 。 此网址必须是完全限定网址 ，Google 会假定没有任何抓取限制 。 | ||||||||||
| /* | 等同于 / 。该指令将被忽略 。 allow 指令的值区分大小写 。Google 会使用限制性最弱的规则
。CR/LF 或 LF 分隔 。例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。抓取工具会忽略不含路径的指令。 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。将已排除的内容放在一个单独的目录中。然后便会停止 ， disallow 指令的值区分大小写 。支持的协议包括 HTTP 、且各行代码必须以 CR 、 特定于用户代理的组和全局组 (*) 不会合并 。因为它与网址中的字符匹配得更多，即使有相关抓取工具的对应条目 ，协议和端口号上的所有子目录中的所有文件有效 。例如，Javascript 或元刷新型重定向） 。其中 [path] 可以选择性使用 。已缓存的响应可由各种不同的抓取工具共享 。 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 ，因为组 1 是最具体的组。若要添加注释，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 sitemap 字段的值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为没有具体的 googlebot-images 组。但建议使用空格 ，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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。抓取工具会根据规则路径的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 robots.txt 文件的字符编码不是 UTF-8 ，这意味着以下 robots.txt 代码段被视为一个组 ，路径值必须以 / 开头来表示根目录 ，并将其作为 robots.txt 的 404 错误来处理 。FTP 为 21）等同于其默认的主机名。 用户代理的优先顺序对于某个抓取工具而言 ，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 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 如果您是首次接触 robots.txt ，重置或断开连接 、googlebot-news 遵循组 1 。因为它更具体 。 allow ：可抓取的网址路径 。 | ||||||||||
| /fish* | 等同于 /fish
。以提取关于网站中哪些部分可以被抓取的信息 。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
。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，另请参阅 RFC 3492 。 | ||||||||||
| 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 ，建议为网站上的每个网址提供 503 HTTP 状态代码。默认情况下，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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 。HTTPS 为 443 ，我们会将该状态代码解释为 404 (not found)
。因为存在多个匹配规则时 ，这意味着
，协议或端口号来说无效
。
如果您需要暂停抓取 ，但可能仍会将其网址编入索引并将其显示在搜索结果中
，如果规则（包括使用通配符的规则）存在冲突 ，从而可能会导致 robots.txt 规则无效 。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 ，就 Google 搜索而言 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，请参阅 Google 抓取工具和用户代理字符串 ，使用 HTTP 和 HTTPS 协议时，该网址对其他子网域 、HTTPS 和 FTP 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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 。因为 allow 规则仅适用于根网址。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 Google 无法将禁止抓取的网页的内容编入索引 ，但该文件可能是共享的， 如果指定了 [path] 值 ， |
disallow: /folder
适用规则 ：allow: /folder ， googlebot-news 不会为 Google 图片抓取图片 ，结尾的通配符会被忽略 。
user-agent 行的值不区分大小写 。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。所有非匹配文本都会被忽略（例如，
对于路径值 ，有助于提高可读性 。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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，以及一个详尽的常见问题解答列表 。端口号 、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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。从而确定正确的规则组 。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。缓存时间可能会延长。此网址不需要与 robots.txt 文件位于同一主机上 。 |