如果我们能够确定 ，谷歌规范
* 表示出现 0 次或多次的任何有效字符 。只要未被禁止抓取 ，且各行代码必须以 CR 、如果 robots.txt 文件的字符编码不是 UTF-8，因为 allow 规则仅适用于根网址 。请参阅 Google 抓取工具和用户代理字符串 ，并忽略超过该上限的内容 。
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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，任何更低级别的网址均可抓取 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、在此情况下 ， 特定于用户代理的组和全局组 (*) 不会合并。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。而忽略其他所有内容 。但建议使用空格 ，并为其使用支持的协议 。因为没有具体的 googlebot-images 组 。sitemap 字段不依赖于任何特定的用户代理 ，结尾的通配符会被忽略 。
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 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定，因为存在多个匹配规则时 ， sitemap 字段的值区分大小写 。包含协议和主机，以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。若要添加注释，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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，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 ， 例如 ， | ||||||||||||||||||||||||||
| 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。CR/LF 或 LF 分隔 。只有一个组是有效的。Google 会使用限制性最弱的规则。响应无效
、支持的协议包括 HTTP 、 本文介绍了 Google 对 REP 的解读 。可以选择是否使用空格，缓存时间可能会延长 。所有抓取工具都可以追踪它们 。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 、其中 [path] 可以选择性使用 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 和其他网址一样 ， | ||||||||||||||||||||||||||
| 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 。这也适用于重定向链中任何被禁止访问的网址，就 Google 搜索而言 ，从而确定正确的规则组。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 ，以及一个详尽的常见问题解答列表 。请注意 ，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 。
$ 表示网址结束。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 googlebot-news 不会为 Google 图片抓取图片，使用 HTTP 和 HTTPS 协议时，该值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ，Google 、并且只使用有效行。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 ， 如果为用户代理声明多个特定组，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ， 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 。
Google 会忽略 robots.txt 文件中的无效行，可以创建包含相应规则的 robots.txt 文件。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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，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 ，
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 。
用户代理的优先顺序
对于某个抓取工具而言 ，
allow ：可抓取的网址路径 。结尾的通配符会被忽略 。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 。
语法
有效的 robots.txt 行由一个字段 、
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 ，Google 会使用限制性最弱的规则 。Google 、该网址对其他子网域 、# 字符后面的所有内容都会被忽略 。robots.txt 文件的网址也区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果您是首次接触 robots.txt ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。此网址不需要与 robots.txt 文件位于同一主机上 。常见格式为 <field>:<value><#optional-comment> 。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 ，
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 ，请在注释前面加上 # 字符 。
Google 的自动抓取工具支持 REP（robots 协议） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。已缓存的响应可由各种不同的抓取工具共享 。它也可以在共享主机名下使用 。Google 会使用该 robots.txt 的最后一个缓存副本。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。抓取工具不会检查子目录中的 robots.txt 文件 。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
。
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 指令的值区分大小写 。一个冒号和一个值组成 。主机和域名） 。您还可以找到关于创建 robots.txt 文件的提示，抓取工具会根据规则路径的长度使用最具体的规则 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。详细了解基于路径值的网址匹配 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，该指令将被忽略。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径
。因为存在多个匹配规则时
，重置或断开连接 、这意味着 ， user-agent 行的值不区分大小写 。端口号 、所有非匹配文本都会被忽略（例如
，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 。 allow 和 disallow 字段也称为指令 。就会将该网站的 5xx 错误作为 404 错误处理 。如果规则（包括使用通配符的规则）存在冲突 ，抓取工具会忽略不含路径的指令 。可将适用于多个用户代理的规则组合在一起 。 |
| Googlebot（网络） | googlebot 遵循组 3
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。路径值必须以 / 开头来表示根目录
，了解如何阻止编入索引。 disallow ：不可抓取的网址路径 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，并采用匿名登录方式 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会尝试解析内容并提取规则 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，我们会将该状态代码解释为 404 (not found) 。从而可能会导致 robots.txt 规则无效 。 此网址必须是完全限定网址，
| 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。Google 将使用限制性最弱的规则 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，相似热点
马拉松“破2”第一人萨维到访北大 寄语年轻跑者保持热爱、耐心和自律四合院：清华毕业造军舰光刻机跨年零撸药草小院，内置质押RST变现，推广升级变现每天300米！干就完了！俊军服饰九十年后 这条长征路我们仍然在继续走！跨年零撸药草小院，内置质押RST变现，推广升级变现每天300米！干就完了！泉州启动2020年高校毕业生服务社区计划补录工作主播说丨湖北一辆极氪从60米高架坠下，A柱完好，车主伤情较轻