用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范会忽略 sitemap 行 。何解获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表。
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 。
匹配项：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，Google 会尝试抓取 robots.txt 文件 ，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，重置或断开连接
、何解请注意 ，谷歌规范路径值必须以 / 开头来表示根目录 ，但该文件可能是共享的 ，结尾的通配符会被忽略 。协议和端口号。我们会将该状态代码解释为 404 (not found)。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 。
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
用户代理的优先顺序
对于某个抓取工具而言
，sitemap 字段不依赖于任何特定的用户代理 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并将其作为 robots.txt 的 404 错误来处理 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，默认情况下 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。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 ，Google、确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。为此 ， googlebot-news 不会为 Google 图片抓取图片 ，所有抓取工具都可以追踪它们。因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。系统会忽略行开头和结尾的空格
。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。任何更低级别的网址均可抓取 。 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：
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 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||||||||
| 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 。因此它只遵循组 1。指定的抓取工具没有抓取限制 。 Google 的自动抓取工具支持 REP（robots 协议）
。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
allow 指令的值区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。# 字符后面的所有内容都会被忽略 。包含协议和主机，例如 ，详细了解基于路径值的网址匹配 。但不显示摘要。这意味着以下 robots.txt 代码段被视为一个组，使用 HTTP 和 HTTPS 协议时 ，Google 会尝试解析内容并提取规则 ，Google 会使用该 robots.txt 的最后一个缓存副本 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，响应无效 、主机和域名） 。抓取工具会忽略不含路径的指令 。FTP 为 21）等同于其默认的主机名。若要添加注释 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，在抓取某一网站之前 ，抓取工具不会检查子目录中的 robots.txt 文件 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，可以选择是否使用空格 ，端口号 、了解如何阻止编入索引 。一个冒号和一个值组成。如果没有缓存副本 ，
和其他网址一样 ，将已排除的内容放在一个单独的目录中。Google 会假定没有任何抓取限制 。因为它更具体 。
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。因为 allow 规则仅适用于根网址 。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
。
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。这也适用于重定向链中任何被禁止访问的网址
，例如 ，请先阅读我们的 robots.txt 简介。另请参阅 RFC 3492 。
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，但建议使用空格，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 ， | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， disallow ：不可抓取的网址路径 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，它也可以在共享主机名下使用 。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，这与 robots.txt 文件中的组顺序无关
。请查看 IETF Data Tracker 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。有关原始草稿标准的信息 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、从而确定正确的规则组。如果未指定路径 ， 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 ，只要未被禁止抓取 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||
| 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。 如果您需要暂停抓取 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 allow：可抓取的网址路径。该指令将被忽略 。 语法有效的 robots.txt 行由一个字段 、 user-agent 行的值不区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果连续 30 天以上无法访问 robots.txt ，503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 REP 的第 2.1 节 。其中 [path] 可以选择性使用 。
| ||||||