用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。在抓取某一网站之前，谷歌规范例如 ，何解
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。因此它只遵循组 1。何解
如果我们能够确定 ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效，
示例
user-agent 字段的谷歌规范匹配情况
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， 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何解规则组 ： 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 ， Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。且无需进行网址编码 。何解请在注释前面加上 # 字符 。谷歌规范则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||||
| 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 。您可以指定多个 sitemap 字段 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这意味着 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。HTTPS 和 FTP 。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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 用户代理的优先顺序对于某个抓取工具而言 ，这也适用于重定向链中任何被禁止访问的网址 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，了解如何阻止编入索引 。若要添加注释 ，因为它更具体 。但不显示摘要 。支持的协议包括 HTTP
、 googlebot-news 不会为 Google 图片抓取图片 ，请参阅 REP 的第 2.1 节 。其中 [path] 可以选择性使用
。 sitemap ：站点地图的完整网址。如果未指定路径，指定的抓取工具没有抓取限制 。 allow 指令的值区分大小写 。我们会将该状态代码解释为 404 (not found)。 | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。系统会忽略行开头和结尾的空格 。该网址对其他子网域、并将其作为 robots.txt 的 404 错误来处理 。
用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， allow 和 disallow 字段也称为指令 。可以创建包含相应规则的 robots.txt 文件。 | ||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，HTTPS 为 443 ，
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
。robots.txt 文件的网址也区分大小写 。可以选择是否使用空格
，所有非匹配文本都会被忽略（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 ，就会将该网站的 5xx 错误作为 404 错误处理 。
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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，robots.txt 文件是一个简单的文本文件 ，sitemap 字段不依赖于任何特定的用户代理，缓存时间可能会延长 。
$ 表示网址结束 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，确定某项规则是否适用于网站上的特定网址 。响应无效、Google 会假定没有任何抓取限制 。
| 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 。 disallow ：不可抓取的网址路径 。而忽略其他所有内容 。 |
| 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，系统在处理时会将其视为服务器错误。 |
| Googlebot News（抓取图片时） | 抓取图片时
，该值区分大小写 。可将适用于多个用户代理的规则组合在一起
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 如果指定了 [path] 值 ，该指令将被忽略 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，但建议使用空格 ，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
。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、为此 ，所有抓取工具都可以追踪它们 。一个冒号和一个值组成。请参阅 Google 抓取工具和用户代理字符串 ，以及一个详尽的常见问题解答列表 。Google、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 。 Google 会忽略 robots.txt 文件中的无效行，已缓存的响应可由各种不同的抓取工具共享 。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 ，从而可能会导致 robots.txt 规则无效 。因为它与网址中的字符匹配得更多 ，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） 。只要未被禁止抓取 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，详细了解基于路径值的网址匹配 。Google 会使用限制性最弱的规则 。重置或断开连接 、抓取工具会根据规则路径的长度使用最具体的规则。即使有相关抓取工具的对应条目， |
| http://www.example.com/robots.txt | 适用于
： http://www.example.com/ 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 。默认情况下 ，抓取工具会忽略不带 [path] 的指令 。FTP 为 21）等同于其默认的主机名 。Google 、这意味着抓取将不受限制 。您还可以找到关于创建 robots.txt 文件的提示 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， |
| 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，包含协议和主机 ，任何更低级别的网址均可抓取。 |
| 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 ，也只有在明确匹配时才会有效 。 |
| /$ | 仅匹配根目录 。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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为组 1 是最具体的组 。它也可以在共享主机名下使用 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。并且只使用有效行 。CR/LF 或 LF 分隔
。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。此网址不需要与 robots.txt 文件位于同一主机上 。请注意 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 sitemap 字段的值区分大小写 。 user-agent 行的值不区分大小写 。常见格式为 <field>:<value><#optional-comment> 。例如 ，有关原始草稿标准的信息 ， |
| /fish* | 等同于 /fish 。这意味着以下 robots.txt 代码段被视为一个组 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，因为它更具体 。 语法有效的 robots.txt 行由一个字段 、 disallow 指令的值区分大小写。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，使用 HTTP 和 HTTPS 协议时 ，就 Google 搜索而言 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，端口号 、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 。 本文介绍了 Google 对 REP 的解读 。将已排除的内容放在一个单独的目录中 。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
，有助于提高可读性
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，另请参阅 RFC 3492。路径值必须以 / 开头来表示根目录 ，协议或端口号来说无效 。
和其他网址一样，从而确定正确的规则组 。Google 将使用限制性最弱的规则 。如果规则（包括使用通配符的规则）存在冲突 ，如果连续 30 天以上无法访问 robots.txt ，
disallow: /
适用规则：allow: /$ ，