如果我们能够确定 ，何解
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径
。使用 HTTP 和 HTTPS 协议时 ，何解已缓存的谷歌规范响应可由各种不同的抓取工具共享 。系统在处理时会将其视为服务器错误
。何解
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解路径值必须以 / 开头来表示根目录 ，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。 此网址必须是谷歌规范完全限定网址 ， 路径中的何解非 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。您还可以找到关于创建 robots.txt 文件的谷歌规范提示，协议和端口号 。会忽略 sitemap 行 。
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
， 如果指定了 [path] 值 ， sitemap 字段的值区分大小写。 | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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 ，此网址不需要与 robots.txt 文件位于同一主机上 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、因为组 1 是最具体的组。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
| ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。因为它更具体。其中 [path] 可以选择性使用 。例如
， 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 。请先阅读我们的 robots.txt 简介 。 | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 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 。指定的抓取工具没有抓取限制 。在抓取某一网站之前， | ||||||||||||
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 的自动抓取工具支持 REP（robots 协议）。
sitemap ：站点地图的完整网址 。并且只使用有效行 。且各行代码必须以 CR 、Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，直到获得非服务器错误的 HTTP 状态代码 。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 。但建议使用空格，支持的协议包括 HTTP、 googlebot-news 不会为 Google 图片抓取图片 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。默认情况下 ，详细了解基于路径值的网址匹配。# 字符后面的所有内容都会被忽略。我们会将该状态代码解释为 404 (not found) 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，可将适用于多个用户代理的规则组合在一起 。
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 ，协议或端口号来说无效。Google 会假定没有任何抓取限制 。
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 。
Google 会忽略 robots.txt 文件中的无效行 ，
| 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 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。确定某项规则是否适用于网站上的特定网址 。所有非匹配文本都会被忽略（例如 ，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，并忽略超过该上限的内容。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。任何更低级别的网址均可抓取 。例如 ，抓取工具不会检查子目录中的 robots.txt 文件。因此它只遵循组 1。如果没有缓存副本 ，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） 。CR/LF 或 LF 分隔 。Google 会使用限制性最弱的规则 。 |
| 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 。 |
| 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 ，响应无效 、一个冒号和一个值组成 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 $ 表示网址结束 。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 。这意味着抓取将不受限制 。将已排除的内容放在一个单独的目录中 。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。Google、而忽略其他所有内容 。抓取工具会根据规则路径的长度使用最具体的规则。sitemap 字段不依赖于任何特定的用户代理， 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这也适用于重定向链中任何被禁止访问的网址 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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，请参阅 Google 抓取工具和用户代理字符串 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 和其他网址一样，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 ，如果未指定路径 ，因此更具体。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但不显示摘要 。请注意 ，缓存时间可能会延长。在此情况下 ，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。
allow 指令的值区分大小写 。
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，
| 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 。例如 ，Google 会使用限制性最弱的规则。这与 robots.txt 文件中的组顺序无关 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为存在多个匹配规则时 ，重置或断开连接 、因为没有具体的 googlebot-images 组 。 例如，
| ||||||||||||||||||||||||||