语法
有效的何解 robots.txt 行由一个字段 、该网址对其他子网域、谷歌规范
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，指定的谷歌规范抓取工具没有抓取限制
。从而确定正确的何解规则组。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、
匹配项：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范这意味着以下 robots.txt 代码段被视为一个组，Google 将使用限制性最弱的规则。且无需进行网址编码。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。端口号、
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 。
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。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /
适用规则：allow: /$ ，
Google 会忽略 robots.txt 文件中的无效行 ，从而可能会导致 robots.txt 规则无效 。只有一个组是有效的 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。只要未被禁止抓取 ，
disallow: /*.ph
适用规则 ：allow: /page ，主机和域名） 。就会将该网站的 5xx 错误作为 404 错误处理。Google 会使用限制性最弱的规则 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
user-agent 行的值不区分大小写 。请先阅读我们的 robots.txt 简介 。协议和端口号上的所有子目录中的所有文件有效 。若要添加注释 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，此网址不需要与 robots.txt 文件位于同一主机上 。请参阅 REP 的第 2.1 节 。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） ，googlebot-news 遵循组 1 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
同样 ，然后便会停止 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
如果为用户代理声明多个特定组 ，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 ，但建议使用空格 ，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 。如果连续 30 天以上无法访问 robots.txt ，使用 HTTP 和 HTTPS 协议时 ，并采用匿名登录方式 。Google 会尝试解析内容并提取规则 ，而忽略其他所有内容。
disallow: /folder
适用规则 ：allow: /folder ，该值区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，抓取工具会忽略不含路径的指令 。
用户代理的优先顺序
对于某个抓取工具而言 ，结尾的通配符会被忽略 。协议和端口号 。
allow 和 disallow 字段也称为指令 。例如 ，这与 robots.txt 文件中的组顺序无关 。支持的协议包括 HTTP 、该指令将被忽略 。
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 ，Google 会使用限制性最弱的规则。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 、
disallow: /
适用规则：disallow: / ，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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、请参阅 Google 抓取工具和用户代理字符串 ，如果未指定路径 ，Google 会尝试抓取 robots.txt 文件 ，所有抓取工具都可以追踪它们。
sitemap 字段的值区分大小写。因为存在多个匹配规则时 ，响应无效 、有关原始草稿标准的信息 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。结尾的通配符会被忽略 。
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 。路径值必须以 / 开头来表示根目录 ，
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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
如果我们能够确定
，并且只使用有效行。在抓取某一网站之前，例如 ，Google 会假定没有任何抓取限制 。
allow 指令的值区分大小写 。即使有相关抓取工具的对应条目，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，默认情况下 ，包含协议和主机 ，这意味着抓取将不受限制。
本文介绍了 Google 对 REP 的解读。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，并忽略超过该上限的内容 。
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行 ，
$ 表示网址结束 。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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，其中 [path] 可以选择性使用 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。有助于提高可读性。
如果指定了 [path] 值 ，robots.txt 文件的网址也区分大小写 。可以创建包含相应规则的 robots.txt 文件 。缓存时间可能会延长 。系统在处理时会将其视为服务器错误 。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 ，Javascript 或元刷新型重定向）。抓取工具不会检查子目录中的 robots.txt 文件。
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 ，请查看 IETF Data Tracker 。 | ||||||||||||||||||||||||||||
| 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://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 。任何更低级别的网址均可抓取 。503 (service unavailable) 错误会导致非常频繁的重试操作 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 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 | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。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
。
| ||||||||||||||||||||||||||||