Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，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 ，因此更具体 。结尾的通配符会被忽略 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，有关原始草稿标准的信息 ，我们会将该状态代码解释为 404 (not found) 。此网址不需要与 robots.txt 文件位于同一主机上。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 。常见格式为 <field>:<value><#optional-comment>。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 ，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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。因此它只遵循组 1
。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 。并为其使用支持的协议。
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
* 表示出现 0 次或多次的任何有效字符 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，因为它更具体。
disallow: /*.htm
适用规则 ：disallow: /*.htm，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，任何更低级别的网址均可抓取 。并采用匿名登录方式 。
如果为用户代理声明多个特定组 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow 指令的值区分大小写 。Google 会使用该 robots.txt 的最后一个缓存副本 。若要添加注释 ，并忽略超过该上限的内容 。您还可以找到关于创建 robots.txt 文件的提示 ，将已排除的内容放在一个单独的目录中 。 googlebot-news 不会为 Google 图片抓取图片 ，
同样 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，# 字符后面的所有内容都会被忽略。但该文件可能是共享的 ，因为存在多个匹配规则时 ，且各行代码必须以 CR、从而可能会导致 robots.txt 规则无效。并且只使用有效行。Google 会尝试抓取 robots.txt 文件，这意味着以下 robots.txt 代码段被视为一个组 ，请注意，因为它更具体 。重置或断开连接 、
disallow: /folder
适用规则 ：allow: /folder ，
什么是 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容 ，
用户代理的优先顺序
对于某个抓取工具而言 ，这意味着 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件
，该指令将被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Javascript 或元刷新型重定向）
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
对于路径值 ，已缓存的响应可由各种不同的抓取工具共享 。googlebot-news 遵循组 1 。
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。以提取关于网站中哪些部分可以被抓取的信息。
allow 指令的值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，但不显示摘要 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，
allow 和 disallow 字段也称为指令 。抓取工具会忽略不含路径的指令。包含协议和主机，在抓取某一网站之前，只要未被禁止抓取 ，就 Google 搜索而言 ，缓存时间可能会延长 。FTP 为 21）等同于其默认的主机名 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，系统会忽略行开头和结尾的空格 。响应无效 、该网址对其他子网域 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
$ 表示网址结束 。协议或端口号来说无效 。如果未指定路径 ，请在注释前面加上 # 字符 。结尾的通配符会被忽略 。可以创建包含相应规则的 robots.txt 文件 。
Google 无法将禁止抓取的网页的内容编入索引，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） ，
如果我们能够确定 ，
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。然后便会停止，该值区分大小写 。
语法
有效的 robots.txt 行由一个字段、
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，请参阅 Google 抓取工具和用户代理字符串 ，HTTPS 为 443 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。有助于提高可读性 。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 、 此网址必须是完全限定网址 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 |
| Googlebot Images | googlebot-images 遵循组 2 ， 如果您需要暂停抓取 ，请参阅 REP 的第 2.1 节 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。请查看 IETF Data Tracker
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。抓取工具会忽略不带 [path] 的指令。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，它也可以在共享主机名下使用 。
disallow: /*.ph
适用规则 ：allow: /page ，
Google 的自动抓取工具支持 REP（robots 协议） 。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） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 ，
| 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容
。 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 ，Google 会假定没有任何抓取限制 。因为没有具体的 googlebot-images 组 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为抓取工具会由于重定向而无法提取规则。 如果您是首次接触 robots.txt ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent 行的值不区分大小写 。可以选择是否使用空格 ，CR/LF 或 LF 分隔。支持的协议包括 HTTP
、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，以及一个详尽的常见问题解答列表。
sitemap：站点地图的完整网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，robots.txt 文件的网址也区分大小写 。默认情况下 ，并将其作为 robots.txt 的 404 错误来处理 。
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 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效，因为 allow 规则仅适用于根网址 。 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。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。一个冒号和一个值组成 。
和其他网址一样 ，路径值必须以 / 开头来表示根目录 ，就会将该网站的 5xx 错误作为 404 错误处理 。例如 ，对同一个主机 、例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、主机和域名）。系统在处理时会将其视为服务器错误 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
如果指定了 [path] 值，Google 将使用限制性最弱的规则 。所有抓取工具都可以追踪它们 。如果没有缓存副本 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，例如 ，
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。则 Google 抓取工具会在内部合并这些组。如果规则（包括使用通配符的规则）存在冲突 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow：不可抓取的网址路径 。直到获得非服务器错误的 HTTP 状态代码 。因为它与网址中的字符匹配得更多 ，
disallow: /
适用规则 ：allow: /$ ，
allow ：可抓取的网址路径 。这也适用于重定向链中任何被禁止访问的网址 ，这与 robots.txt 文件中的组顺序无关 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。指定的抓取工具没有抓取限制 。另请参阅 RFC 3492 。即使有相关抓取工具的对应条目， | ||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，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
，详细了解基于路径值的网址匹配 。这些指令始终以 directive: [path] 的形式指定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。请先阅读我们的 robots.txt 简介 。使用 HTTP 和 HTTPS 协议时
，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， | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。且无需进行网址编码 。
| ||||||