缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，
语法
有效的何解 robots.txt 行由一个字段 、
disallow: /*.htm
适用规则：disallow: /*.htm ，谷歌规范robots.txt 文件的何解网址也区分大小写 。在抓取某一网站之前，谷歌规范CR/LF 或 LF 分隔 。何解就 Google 搜索而言 ，谷歌规范请在注释前面加上 # 字符 。何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，抓取工具会忽略不含路径的何解指令 。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 ，谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本。
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谷歌规范规则组 ：
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 ，您可以指定多个 sitemap 字段 。抓取工具会根据规则路径的长度使用最具体的规则 。即使有相关抓取工具的对应条目 ，
disallow 指令的值区分大小写 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
user-agent 行的值不区分大小写
。请注意 ，另请参阅 RFC 3492 。Google 会使用限制性最弱的规则 。路径值必须以 / 开头来表示根目录 ，协议和端口号
。但不显示摘要
。如果未指定路径
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
如果您需要暂停抓取 ，
| 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 。这也适用于重定向链中任何被禁止访问的网址 ，Google 会使用限制性最弱的规则 。因此更具体 。googlebot-news 遵循组 1 。 |
| /fish* | 等同于 /fish 。 googlebot-news 不会为 Google 图片抓取图片 ，直到获得非服务器错误的 HTTP 状态代码 。如果连续 30 天以上无法访问 robots.txt ，此网址不需要与 robots.txt 文件位于同一主机上 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
$ 表示网址结束 。会忽略 sitemap 行 。因为 allow 规则仅适用于根网址 。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 。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，因为它更具体 。
本文介绍了 Google 对 REP 的解读
。且无需进行网址编码
。请参阅 Google 抓取工具和用户代理字符串
，因为抓取工具会由于重定向而无法提取规则 。该指令将被忽略 。请参阅 REP 的第 2.1 节
。其中 [path] 可以选择性使用 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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
allow 指令的值区分大小写 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。在此情况下
，我们会将该状态代码解释为 404 (not found)。这意味着以下 robots.txt 代码段被视为一个组
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、一个冒号和一个值组成 。Google 会尝试抓取 robots.txt 文件 ，从而确定正确的规则组
。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
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
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 ，所有抓取工具都可以追踪它们 。
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 ，从而可能会导致 robots.txt 规则无效 。
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，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 ，例如 ，如果 robots.txt 文件的字符编码不是 UTF-8，详细了解基于路径值的网址匹配 。 Google 无法将禁止抓取的网页的内容编入索引 ，这意味着 ， | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。robots.txt 文件是一个简单的文本文件，Google 将使用限制性最弱的规则
。其他组会被忽略
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、只有一个组是有效的 。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 。 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 。因为存在多个匹配规则时， disallow ：不可抓取的网址路径。 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。只要未被禁止抓取 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。例如 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，可以选择是否使用空格 ，因为它与网址中的字符匹配得更多 ，重置或断开连接 、然后便会停止，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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为它更具体 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，抓取工具不会检查子目录中的 robots.txt 文件 。Google 会假定没有任何抓取限制 。协议或端口号来说无效 。 Google 的自动抓取工具支持 REP（robots 协议） 。 sitemap ：站点地图的完整网址 。以及一个详尽的常见问题解答列表 。有关原始草稿标准的信息，若要添加注释 ， | ||||||||||||||||||||||||
| 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 。例如 ，HTTPS 为 443 ，例如，这与 robots.txt 文件中的组顺序无关 。结尾的通配符会被忽略 。 | ||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，
如果我们能够确定 ，Bing 和其他主流搜索引擎支持有限形式的通配符。
disallow: /*.ph
适用规则：allow: /page ，系统在处理时会将其视为服务器错误 。可将适用于多个用户代理的规则组合在一起 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，支持的协议包括 HTTP、 如果您是首次接触 robots.txt ，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 。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） 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。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 。因为没有具体的 googlebot-images 组。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。
| ||||||||