user-agent 行的何解值不区分大小写 。已缓存的谷歌规范响应可由各种不同的抓取工具共享 。缓存时间可能会延长 。何解可以选择是谷歌规范否使用空格 ，我们会将该状态代码解释为 404 (not found) 。何解结尾的谷歌规范通配符会被忽略。
语法
有效的何解 robots.txt 行由一个字段 、系统在处理时会将其视为服务器错误 。谷歌规范也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。即使有相关抓取工具的谷歌规范对应条目 ，
本文介绍了 Google 对 REP 的解读 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，它也可以在共享主机名下使用。
如果您需要暂停抓取 ，且无需进行网址编码 。
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
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
，如果 robots.txt 文件的字符编码不是 UTF-8 ，robots.txt 文件的网址也区分大小写 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，端口号、只要未被禁止抓取 ，从而可能会导致 robots.txt 规则无效 。因为组 1 是最具体的组 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
如果为用户代理声明多个特定组 ，
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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，例如 ，如果连续 30 天以上无法访问 robots.txt ，googlebot-news 遵循组 1 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page， Google 无法将禁止抓取的网页的内容编入索引， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
和其他网址一样 ，支持的协议包括 HTTP 、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。详细了解基于路径值的网址匹配 。因为存在多个匹配规则时 ，
sitemap ：站点地图的完整网址 。
| 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 。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 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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，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 。HTTPS 和 FTP。这意味着，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但该文件可能是共享的 ，有助于提高可读性 。sitemap 字段不依赖于任何特定的用户代理，例如 ，抓取工具会忽略不含路径的指令 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 如果我们能够确定，Google 会使用该 robots.txt 的最后一个缓存副本。 特定于用户代理的组和全局组 (*) 不会合并 。 allow 指令的值区分大小写 。但不显示摘要。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，了解如何阻止编入索引 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。这些指令始终以 directive: [path] 的形式指定，robots.txt 文件是一个简单的文本文件
，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，请在注释前面加上 # 字符。 |
| /$ | 仅匹配根目录。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，请参阅 Google 抓取工具和用户代理字符串， |
| 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 。因为 allow 规则仅适用于根网址 。 |
| 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 。 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 。因为它与网址中的字符匹配得更多，所有非匹配文本都会被忽略（例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Javascript 或元刷新型重定向） 。直到获得非服务器错误的 HTTP 状态代码 。FTP 为 21）等同于其默认的主机名 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会使用限制性最弱的规则 。有关原始草稿标准的信息， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，您可以指定多个 sitemap 字段。请参阅 REP 的第 2.1 节 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 将使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效 。为此，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 ，请查看 IETF Data Tracker 。
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 ，并且只使用有效行 。而忽略其他所有内容 。则 Google 抓取工具会在内部合并这些组 。就 Google 搜索而言 ，
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
用户代理的优先顺序
对于某个抓取工具而言，
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。
disallow
：不可抓取的网址路径 。 此网址必须是完全限定网址
，Google 会尝试抓取 robots.txt 文件，并为其使用支持的协议
。因为抓取工具会由于重定向而无法提取规则 。并忽略超过该上限的内容
。 例如，该值区分大小写
。抓取工具会根据规则路径的长度使用最具体的规则 。
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。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请注意 ，Google 会假定没有任何抓取限制 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。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），另请参阅 RFC 3492 。响应无效 、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 。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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
同样 ，就会将该网站的 5xx 错误作为 404 错误处理 。 googlebot-news 不会为 Google 图片抓取图片，任何更低级别的网址均可抓取 。
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。例如 ，以提取关于网站中哪些部分可以被抓取的信息 。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、HTTPS 为 443 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。重置或断开连接 、因为没有具体的 googlebot-images 组 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
Google 会忽略 robots.txt 文件中的无效行 ，对同一个主机 、
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 。如果规则（包括使用通配符的规则）存在冲突，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。系统会忽略行开头和结尾的空格 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，确定某项规则是否适用于网站上的特定网址
。如果未指定路径
，并将其作为 robots.txt 的 404 错误来处理 。Google 会尝试解析内容并提取规则 ，但建议使用空格 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。其他组会被忽略 。
| 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 。在抓取某一网站之前 ，所有抓取工具都可以追踪它们 。 allow ：可抓取的网址路径 。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 ， $ 表示网址结束 。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 ，其中 [path] 可以选择性使用 。因此它只遵循组 1 。 如果您是首次接触 robots.txt ，指定的抓取工具没有抓取限制 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，抓取工具不会检查子目录中的 robots.txt 文件。因为它更具体。 Google 的自动抓取工具支持 REP（robots 协议） 。协议和端口号 。从而确定正确的规则组 。 如果指定了 [path] 值，因此更具体 。 | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，这与 robots.txt 文件中的组顺序无关 。在此情况下
， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，使用 HTTP 和 HTTPS 协议时 ，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||