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 。
什么是何解 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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范例如 ，何解协议或端口号来说无效 。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。
allow ：可抓取的何解网址路径 。
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、Javascript 或元刷新型重定向） 。何解
disallow: /
适用规则 ：disallow: /，谷歌规范如果规则（包括使用通配符的规则）存在冲突，并且只使用有效行。
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 。且无需进行网址编码 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt，请在注释前面加上 # 字符 。
如果为用户代理声明多个特定组，
本文介绍了 Google 对 REP 的解读。例如 ，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
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
如果指定了 [path] 值 ，
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。# 字符后面的所有内容都会被忽略 。 user-agent 行的值不区分大小写
。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，只要未被禁止抓取 ， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，请注意，因为 allow 规则仅适用于根网址 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||||
| 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
，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。 | ||||||||||||||||||||||||
| 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 。以提取关于网站中哪些部分可以被抓取的信息。也只有在明确匹配时才会有效 。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 ， 例如 ，直到获得非服务器错误的 HTTP 状态代码 。 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 。 | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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。以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||
同样 ，robots.txt 文件的网址也区分大小写。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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、建议为网站上的每个网址提供 503 HTTP 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。系统会忽略行开头和结尾的空格
。其他组会被忽略 。robots.txt 文件是一个简单的文本文件 ，
用户代理的优先顺序
对于某个抓取工具而言 ，并为其使用支持的协议 。
allow 指令的值区分大小写。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。503 (service unavailable) 错误会导致非常频繁的重试操作 。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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，响应无效 、
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
，语法有效的 robots.txt 行由一个字段 、您可以指定多个 sitemap 字段 。 |
| 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 ，路径值必须以 / 开头来表示根目录，HTTPS 为 443
，请查看 IETF Data Tracker
。请参阅 Google 抓取工具和用户代理字符串 ， 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 ，因为抓取工具会由于重定向而无法提取规则 。
对于路径值 ，因为它更具体 。Google 、
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 ，但建议使用空格 ，主机和域名） 。它也可以在共享主机名下使用。从而可能会导致 robots.txt 规则无效 。 googlebot-news 不会为 Google 图片抓取图片 ，默认情况下 ，然后便会停止 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，sitemap 字段不依赖于任何特定的用户代理 ，
Google 会忽略 robots.txt 文件中的无效行，使用 HTTP 和 HTTPS 协议时 ，而忽略其他所有内容 。可将适用于多个用户代理的规则组合在一起 。
disallow: /*.ph
适用规则 ：allow: /page ，会忽略 sitemap 行 。并将其作为 robots.txt 的 404 错误来处理 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。但该文件可能是共享的 ，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 、如果未指定路径，为此 ，
disallow: /folder
适用规则 ：allow: /folder ，结尾的通配符会被忽略 。
sitemap ：站点地图的完整网址 。则 Google 抓取工具会在内部合并这些组 。该网址对其他子网域、所有非匹配文本都会被忽略（例如 ，另请参阅 RFC 3492 。指定的抓取工具没有抓取限制。
| 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。所有抓取工具都可以追踪它们。一个冒号和一个值组成 。如果 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，抓取工具会忽略不含路径的指令。因为组 1 是最具体的组 。因为它与网址中的字符匹配得更多，HTTPS 和 FTP 。有关原始草稿标准的信息，抓取工具会根据规则路径的长度使用最具体的规则。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， 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 。抓取工具会忽略不带 [path] 的指令 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ，即使有相关抓取工具的对应条目 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，对同一个主机 、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 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 。 | ||||