sitemap ：站点地图的谷歌规范完整网址。若要添加注释 ，何解它也可以在共享主机名下使用。谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段。即使有相关抓取工具的谷歌规范对应条目 ，该值区分大小写 。何解在抓取某一网站之前 ，谷歌规范并为其使用支持的何解协议 。因为组 1 是谷歌规范最具体的组 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTPS 为 443 ，
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
。因为它与网址中的字符匹配得更多 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会使用限制性最弱的规则 。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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。一个冒号和一个值组成 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，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 ，Google 将使用限制性最弱的规则 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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。协议和端口号上的所有子目录中的所有文件有效 。抓取工具会根据规则路径的长度使用最具体的规则 。如果没有缓存副本 ，如果未指定路径 ，因为存在多个匹配规则时， 例如 ，主机和域名） 。请参阅 REP 的第 2.1 节 。
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， Google 会忽略 robots.txt 文件中的无效行，重置或断开连接 、 如果您是首次接触 robots.txt ， 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 ，并将其作为 robots.txt 的 404 错误来处理。 | ||||||||||||||||||||||||||||
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。请先阅读我们的 robots.txt 简介 。例如 ，请查看 IETF Data Tracker 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，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 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。指定的抓取工具没有抓取限制 。 | ||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。Google 会假定没有任何抓取限制 。robots.txt 文件的网址也区分大小写。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）
，结尾的通配符会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。直到获得非服务器错误的 HTTP 状态代码 。 $ 表示网址结束。 | ||||||||||||||||||||||||||||
| 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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） 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。已缓存的响应可由各种不同的抓取工具共享。并忽略超过该上限的内容 。Javascript 或元刷新型重定向）。请在注释前面加上 # 字符 。googlebot-news 遵循组 1 。然后便会停止 ，因为抓取工具会由于重定向而无法提取规则。也只有在明确匹配时才会有效 。这意味着抓取将不受限制 。此网址不需要与 robots.txt 文件位于同一主机上 。 本文介绍了 Google 对 REP 的解读 。 同样 ， 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。如果下载的内容是 Html 格式而非 robots.txt 规则， | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，其他组会被忽略 。 如果您需要暂停抓取 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如，该网址对其他子网域 、 | ||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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。您可以指定多个 sitemap 字段 。您还可以找到关于创建 robots.txt 文件的提示 ，可将适用于多个用户代理的规则组合在一起 。只有一个组是有效的 。而忽略其他所有内容 。
allow 和 disallow 字段也称为指令。如果连续 30 天以上无法访问 robots.txt ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 此网址必须是完全限定网址 ， allow ：可抓取的网址路径 。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 。路径值必须以 / 开头来表示根目录 ，# 字符后面的所有内容都会被忽略 。以提取关于网站中哪些部分可以被抓取的信息 。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 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，但该文件可能是共享的 ，可以选择是否使用空格 ，可以创建包含相应规则的 robots.txt 文件 。 |
| /$ | 仅匹配根目录。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。将已排除的内容放在一个单独的目录中 。 |
| /* | 等同于 / 。会忽略 sitemap 行
。并且只使用有效行 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、结尾的通配符会被忽略 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，这与 robots.txt 文件中的组顺序无关 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 对于路径值，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 会使用该 robots.txt 的最后一个缓存副本。另请参阅 RFC 3492。有关原始草稿标准的信息 ，HTTP 组块错误等）而无法抓取的 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。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，响应无效 、如果规则（包括使用通配符的规则）存在冲突， 用户代理的优先顺序对于某个抓取工具而言 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，robots.txt 文件是一个简单的文本文件 ，这意味着 ，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、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 如果指定了 [path] 值，有助于提高可读性 。协议和端口号。以及一个详尽的常见问题解答列表 。Google 会尝试解析内容并提取规则 ，抓取工具会忽略不带 [path] 的指令。 allow 指令的值区分大小写 。 Google 的自动抓取工具支持 REP（robots 协议） 。任何更低级别的网址均可抓取 。所有非匹配文本都会被忽略（例如 ，所有抓取工具都可以追踪它们。常见格式为 <field>:<value><#optional-comment>。 特定于用户代理的组和全局组 (*) 不会合并 。因为没有具体的 googlebot-images 组 。 disallow 指令的值区分大小写。 disallow：不可抓取的网址路径 。就会将该网站的 5xx 错误作为 404 错误处理 。且各行代码必须以 CR、了解如何阻止编入索引 。 sitemap 字段的值区分大小写
。 |