Google 会忽略 robots.txt 文件中的何解无效行 ，
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。 如果您是谷歌规范首次接触 robots.txt ，我们会将该状态代码解释为 404 (not found) 。何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码，# 字符后面的何解所有内容都会被忽略 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，系统会忽略行开头和结尾的何解空格。robots.txt 文件是谷歌规范一个简单的文本文件 ，并将其作为 robots.txt 的何解 404 错误来处理 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范
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，何解
| 示例情况 | |||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范Google、在抓取某一网站之前 ，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， allow 和 disallow 字段也称为指令 。Google 会使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如，以及一个详尽的常见问题解答列表。 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 。支持的协议包括 HTTP 、 | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，默认情况下 ，Google 、例如， 如果指定了 [path] 值 ，并为其使用支持的协议 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||||||||||
| 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，请先阅读我们的 robots.txt 简介 。了解如何阻止编入索引。 此网址必须是完全限定网址 ，端口号 、协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。有关原始草稿标准的信息 ， 同样 ，
* 表示出现 0 次或多次的任何有效字符 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， | ||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ，为此，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。您还可以找到关于创建 robots.txt 文件的提示 ，因为它更具体 。协议和端口号 。而忽略其他所有内容 。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 。对同一个主机、响应无效 、
disallow: /folder
适用规则：allow: /folder ，如果下载的内容是 Html 格式而非 robots.txt 规则，
Google 无法将禁止抓取的网页的内容编入索引 ，
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 例如，路径值必须以 / 开头来表示根目录 ，会忽略 sitemap 行 。且各行代码必须以 CR 、其他组会被忽略。Google 会使用该 robots.txt 的最后一个缓存副本 。然后便会停止 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这与 robots.txt 文件中的组顺序无关 。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 ，Google 会假定没有任何抓取限制 。请注意 ，
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，
如果我们能够确定 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。请参阅 REP 的第 2.1 节。这些指令始终以 directive: [path] 的形式指定 ，这意味着 ，如果规则（包括使用通配符的规则）存在冲突 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，确定某项规则是否适用于网站上的特定网址 。就 Google 搜索而言 ，此网址不需要与 robots.txt 文件位于同一主机上 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow 指令的值区分大小写 。任何更低级别的网址均可抓取 。
sitemap ：站点地图的完整网址 。Google 会尝试解析内容并提取规则 ，系统在处理时会将其视为服务器错误 。
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
。
allow 指令的值区分大小写 。所有抓取工具都可以追踪它们 。详细了解基于路径值的网址匹配 。可将适用于多个用户代理的规则组合在一起 。但建议使用空格 ，指定的抓取工具没有抓取限制。则 Google 抓取工具会在内部合并这些组 。抓取工具会忽略不含路径的指令 。Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、如果连续 30 天以上无法访问 robots.txt，这也适用于重定向链中任何被禁止访问的网址，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，例如 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /
适用规则：disallow: /，从而可能会导致 robots.txt 规则无效 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
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 。
和其他网址一样 ，可以选择是否使用空格 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，结尾的通配符会被忽略 。
本文介绍了 Google 对 REP 的解读 。但不显示摘要 。FTP 为 21）等同于其默认的主机名。
对于路径值 ，以提取关于网站中哪些部分可以被抓取的信息 。它也可以在共享主机名下使用 。该值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会忽略不带 [path] 的指令 。这意味着以下 robots.txt 代码段被视为一个组 ，在此情况下 ，如果没有缓存副本 ，协议或端口号来说无效 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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） 。Google 会使用限制性最弱的规则 。
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，从而确定正确的规则组 。有助于提高可读性 。已缓存的响应可由各种不同的抓取工具共享。
用户代理的优先顺序
对于某个抓取工具而言 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， user-agent 行的值不区分大小写 。因为存在多个匹配规则时，其中 [path] 可以选择性使用。 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 ，googlebot-news 遵循组 1 。因为抓取工具会由于重定向而无法提取规则。但该文件可能是共享的，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。因为存在多个匹配规则时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 可能会忽略不属于 UTF-8 范围的字符，
| ||||||||||||