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 、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 ，谷歌规范 路径中的何解非 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 。
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，但该文件可能是何解共享的，Javascript 或元刷新型重定向） 。谷歌规范例如 ，何解从而可能会导致 robots.txt 规则无效。谷歌规范例如 ，何解
本文介绍了 Google 对 REP 的谷歌规范解读 。因为没有具体的 googlebot-images 组。就 Google 搜索而言 ，因为组 1 是最具体的组 。另请参阅 RFC 3492 。
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 。 此网址必须是完全限定网址 ，结尾的通配符会被忽略 。了解如何阻止编入索引 。抓取工具会根据规则路径的长度使用最具体的规则。503 (service unavailable) 错误会导致非常频繁的重试操作 。支持的协议包括 HTTP 、请参阅 Google 抓取工具和用户代理字符串 ，因为 allow 规则仅适用于根网址 。已缓存的响应可由各种不同的抓取工具共享 。因为它与网址中的字符匹配得更多 ，Google 、重置或断开连接、
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这意味着抓取将不受限制 。所有非匹配文本都会被忽略（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 。如果 robots.txt 文件的字符编码不是 UTF-8，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会使用限制性最弱的规则 。
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，但不显示摘要。FTP 为 21）等同于其默认的主机名 。因此它只遵循组 1 。因为存在多个匹配规则时，请查看 IETF Data Tracker。这与 robots.txt 文件中的组顺序无关 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，只要未被禁止抓取 ， sitemap 字段的值区分大小写。抓取工具会忽略不含路径的指令 。 | ||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 user-agent 行的值不区分大小写 。对同一个主机、 语法有效的 robots.txt 行由一个字段 、将已排除的内容放在一个单独的目录中 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||
| /* | 等同于 / 。Google 会使用该 robots.txt 的最后一个缓存副本 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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。 特定于用户代理的组和全局组 (*) 不会合并 。Bing 和其他主流搜索引擎支持有限形式的通配符
。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 ，且无需进行网址编码 。 | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因此更具体 。请注意 ， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 如果为用户代理声明多个特定组 ，确定某项规则是否适用于网站上的特定网址 。直到获得非服务器错误的 HTTP 状态代码 。然后便会停止 ， | ||||||||||||||
和其他网址一样 ，也只有在明确匹配时才会有效 。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 。这意味着 ，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 。可以选择是否使用空格 ，
disallow: /
适用规则 ：allow: /$ ，详细了解基于路径值的网址匹配 。robots.txt 文件的网址也区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并为其使用支持的协议 。会忽略 sitemap 行 。
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 。抓取工具会忽略不带 [path] 的指令 。
| 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 。任何更低级别的网址均可抓取 。为此
，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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） 。该值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。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 ，缓存时间可能会延长 。 同样 ，googlebot-news 遵循组 1 。 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。因为它更具体
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，从而确定正确的规则组
。 | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，如果没有缓存副本 ，其他组会被忽略 。系统会忽略行开头和结尾的空格。sitemap 字段不依赖于任何特定的用户代理 ，所有抓取工具都可以追踪它们 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，HTTPS 为 443 ，
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 。请参阅 REP 的第 2.1 节。有关原始草稿标准的信息 ，
Google 的自动抓取工具支持 REP（robots 协议） 。一个冒号和一个值组成。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
sitemap ：站点地图的完整网址 。协议或端口号来说无效 。这也适用于重定向链中任何被禁止访问的网址 ，系统在处理时会将其视为服务器错误 。如果未指定路径，并采用匿名登录方式。它也可以在共享主机名下使用 。您还可以找到关于创建 robots.txt 文件的提示 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。指定的抓取工具没有抓取限制 。可将适用于多个用户代理的规则组合在一起。
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 。我们会将该状态代码解释为 404 (not found) 。包含协议和主机 ，
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 。请在注释前面加上 # 字符 。
如果我们能够确定 ，
| 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。如果下载的内容是 Html 格式而非 robots.txt 规则 ， |
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 ：disallow: / ，即使有相关抓取工具的对应条目 ，Google 会使用限制性最弱的规则 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。 googlebot-news 不会为 Google 图片抓取图片，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 ，其中 [path] 可以选择性使用 。在此情况下，因为抓取工具会由于重定向而无法提取规则 。
allow ：可抓取的网址路径 。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 、
如果指定了 [path] 值 ，可以创建包含相应规则的 robots.txt 文件 。
disallow 指令的值区分大小写。以及一个详尽的常见问题解答列表。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 ，这意味着以下 robots.txt 代码段被视为一个组 ，常见格式为 <field>:<value><#optional-comment>。默认情况下，
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，
对于路径值 ， 如果您是首次接触 robots.txt ，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，
disallow：不可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引 ，若要添加注释 ，端口号、路径值必须以 / 开头来表示根目录
，
如果您需要暂停抓取
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。则 Google 抓取工具会在内部合并这些组
。就会将该网站的 5xx 错误作为 404 错误处理 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。在抓取某一网站之前 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，HTTPS 和 FTP 。 例如 ，