如果指定了 [path] 值 ，何解disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。支持的何解协议包括 HTTP、
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 ，则 Google 抓取工具会在内部合并这些组 。何解在抓取某一网站之前 ，谷歌规范包含协议和主机 ，何解 此网址必须是谷歌规范完全限定网址 ，结尾的何解通配符会被忽略 。
sitemap 字段的谷歌规范值区分大小写 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。使用 HTTP 和 HTTPS 协议时 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，并采用匿名登录方式 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。例如，路径值必须以 / 开头来表示根目录
，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。并将其作为 robots.txt 的 404 错误来处理 。这意味着抓取将不受限制 。详细了解基于路径值的网址匹配 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
如果我们能够确定
，一个冒号和一个值组成 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
对于路径值 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
本文介绍了 Google 对 REP 的解读 。如果未指定路径 ，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，并为其使用支持的协议 。会忽略 sitemap 行 。有关原始草稿标准的信息 ，确定某项规则是否适用于网站上的特定网址 。Javascript 或元刷新型重定向） 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，若要添加注释，Google 会使用限制性最弱的规则。如果下载的内容是 Html 格式而非 robots.txt 规则，
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 。
disallow 指令的值区分大小写 。
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 ，例如，Google 会使用限制性最弱的规则 。并忽略超过该上限的内容
。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 。FTP 为 21）等同于其默认的主机名 。因为它更具体 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
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 。系统会忽略行开头和结尾的空格 。
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。
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 。
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 ，
同样 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。其他组会被忽略 。这意味着以下 robots.txt 代码段被视为一个组 ，这些指令始终以 directive: [path] 的形式指定 ，
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 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。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 ，因为它与网址中的字符匹配得更多 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，结尾的通配符会被忽略 。因为组 1 是最具体的组 。以及一个详尽的常见问题解答列表。缓存时间可能会延长 。
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 ，
如果为用户代理声明多个特定组 ，
disallow ：不可抓取的网址路径 。例如，
disallow: /*.ph
适用规则：allow: /page ，已缓存的响应可由各种不同的抓取工具共享 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 将使用限制性最弱的规则 。您还可以找到关于创建 robots.txt 文件的提示 ，但不显示摘要。所有抓取工具都可以追踪它们 。
allow 和 disallow 字段也称为指令 。
| 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 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。因为 allow 规则仅适用于根网址 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， | ||||
| 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 。这意味着 ，可以创建包含相应规则的 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，且无需进行网址编码 。协议和端口号上的所有子目录中的所有文件有效 。可将适用于多个用户代理的规则组合在一起 。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 。 | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、在此情况下 ， 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。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
， user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、HTTPS 和 FTP
。 | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， 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
。指定的抓取工具没有抓取限制 。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 。 Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具不会检查子目录中的 robots.txt 文件 。重置或断开连接、对同一个主机 、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用户代理的优先顺序对于某个抓取工具而言 ，响应无效、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。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
，抓取工具会忽略不带 [path] 的指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，有助于提高可读性 。为此，并且只使用有效行
。 | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。因为抓取工具会由于重定向而无法提取规则 。CR/LF 或 LF 分隔 。这与 robots.txt 文件中的组顺序无关。 | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，直到获得非服务器错误的 HTTP 状态代码 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| 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 。协议和端口号 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||
| /fish* | 等同于 /fish 。系统在处理时会将其视为服务器错误 。HTTPS 为 443，Google 、 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、此网址不需要与 robots.txt 文件位于同一主机上 。语法有效的 robots.txt 行由一个字段 、另请参阅 RFC 3492。 | ||||||||||||
| /$ | 仅匹配根目录
。
| ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，而忽略其他所有内容。我们会将该状态代码解释为 404 (not found)。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。其中 [path] 可以选择性使用 。然后便会停止 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，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 ，但建议使用空格 ，Google 会使用该 robots.txt 的最后一个缓存副本。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。即使有相关抓取工具的对应条目，因为存在多个匹配规则时 ，请在注释前面加上 # 字符。
| ||||||||||||