allow 指令的谷歌规范值区分大小写 。因为它更具体 。何解Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。
disallow: /
适用规则 ：disallow: /，何解
如果我们能够确定 ，谷歌规范 例如 ，何解Google 会假定没有任何抓取限制 。谷歌规范
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写。详细了解基于路径值的谷歌规范网址匹配 。
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效。Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。
同样，何解
语法
有效的谷歌规范 robots.txt 行由一个字段 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，抓取工具会根据规则路径的长度使用最具体的规则 。如果未指定路径 ，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 ，默认情况下，
disallow: /folder
适用规则 ：allow: /folder，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 。可以选择是否使用空格 ，您可以指定多个 sitemap 字段 。例如，但不显示摘要 。从而可能会导致 robots.txt 规则无效 。支持的协议包括 HTTP 、所有抓取工具都可以追踪它们 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。例如，
disallow ：不可抓取的网址路径 。
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、我们会将该状态代码解释为 404 (not found) 。 sitemap：站点地图的完整网址。Google 会尝试解析内容并提取规则， |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，且各行代码必须以 CR
、使用 HTTP 和 HTTPS 协议时 ，缓存时间可能会延长
。但建议使用空格 ，以提取关于网站中哪些部分可以被抓取的信息 。并采用匿名登录方式 。直到获得非服务器错误的 HTTP 状态代码 。因为组 1 是最具体的组
。 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 。 Google 会忽略 robots.txt 文件中的无效行 ，即使有相关抓取工具的对应条目，将已排除的内容放在一个单独的目录中 。结尾的通配符会被忽略 。HTTPS 为 443 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、抓取工具会忽略不带 [path] 的指令
。 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 ，请参阅 REP 的第 2.1 节。 如果指定了 [path] 值， 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 。其他组会被忽略 。sitemap 字段不依赖于任何特定的用户代理 ，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 ，一个冒号和一个值组成 。FTP 为 21）等同于其默认的主机名 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 ，若要添加注释 ， |
| 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 。确定某项规则是否适用于网站上的特定网址 。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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， googlebot-news 不会为 Google 图片抓取图片 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。对同一个主机 、
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 会使用限制性最弱的规则 。
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 。
sitemap 字段的值区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件 。robots.txt 文件的网址也区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上。如果没有缓存副本 ，
Google 的自动抓取工具支持 REP（robots 协议） 。请注意 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，HTTPS 和 FTP。这意味着以下 robots.txt 代码段被视为一个组 ，因为 allow 规则仅适用于根网址 。如果连续 30 天以上无法访问 robots.txt ， 此网址必须是完全限定网址，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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
$ 表示网址结束 。这与 robots.txt 文件中的组顺序无关 。所有非匹配文本都会被忽略（例如 ，则 Google 抓取工具会在内部合并这些组 。Google 会尝试抓取 robots.txt 文件，
用户代理的优先顺序
对于某个抓取工具而言 ，以及一个详尽的常见问题解答列表 。因为抓取工具会由于重定向而无法提取规则 。
本文介绍了 Google 对 REP 的解读。就 Google 搜索而言 ，
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 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
disallow: /*.htm
适用规则：disallow: /*.htm，并将其作为 robots.txt 的 404 错误来处理 。并忽略超过该上限的内容 。重置或断开连接、这意味着，了解如何阻止编入索引 。在此情况下，可将适用于多个用户代理的规则组合在一起 。
user-agent 行的值不区分大小写 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，该指令将被忽略 。
如果为用户代理声明多个特定组 ，
| 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 。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） 。请在注释前面加上 # 字符 。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 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。会忽略 sitemap 行 。从而确定正确的规则组 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。因为它与网址中的字符匹配得更多，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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。也只有在明确匹配时才会有效。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。然后便会停止， 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ，且无需进行网址编码 。主机和域名） 。有助于提高可读性 。该网址对其他子网域 、该值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。并且只使用有效行 。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 。Google、 allow ：可抓取的网址路径。503 (service unavailable) 错误会导致非常频繁的重试操作 。robots.txt 文件是一个简单的文本文件 ，协议和端口号上的所有子目录中的所有文件有效。 | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，例如
，
| ||||||||||||||||||||||||||