如果为用户代理声明多个特定组 ，谷歌规范响应无效 、何解Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。并为其使用支持的何解协议 。
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，因为存在多个匹配规则时 ，何解
| 错误处理和 HTTP 状态代码 | |||||||||||||
| 2xx（成功） | 表示成功的谷歌规范 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 。若要添加注释 ，何解HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件，Google 会使用限制性最弱的何解规则 。其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则。但建议使用空格 ，何解在抓取某一网站之前 ，谷歌规范请查看 IETF Data Tracker 。 | ||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。 | ||||||||||||
| /$ | 仅匹配根目录。Google 可能会忽略不属于 UTF-8 范围的字符
，例如 ，但不显示摘要 。就 Google 搜索而言 ，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 ，已缓存的响应可由各种不同的抓取工具共享 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||||
| http://www.exämple.com/robots.txt | 适用于： 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。该指令将被忽略 。因为它与网址中的字符匹配得更多 ， 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：
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 ， 和其他网址一样 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。请在注释前面加上 # 字符 。 | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，这意味着以下 robots.txt 代码段被视为一个组 ，任何更低级别的网址均可抓取。因此它只遵循组 1。主机和域名）。且各行代码必须以 CR 、 Google 无法将禁止抓取的网页的内容编入索引 ，缓存时间可能会延长 。 用户代理的优先顺序对于某个抓取工具而言 ，googlebot-news 遵循组 1
。 同样 ， sitemap 字段的值区分大小写 。 | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 ， 此网址必须是完全限定网址 ，路径值必须以 / 开头来表示根目录 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。即使有相关抓取工具的对应条目
， 对于路径值 ，从而确定正确的规则组 。一个冒号和一个值组成。协议或端口号来说无效。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 。这意味着抓取将不受限制。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这与 robots.txt 文件中的组顺序无关 。对同一个主机 、 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。 语法有效的 robots.txt 行由一个字段 、以提取关于网站中哪些部分可以被抓取的信息 。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/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，这也适用于重定向链中任何被禁止访问的网址 ，将已排除的内容放在一个单独的目录中 。因为它更具体 。# 字符后面的所有内容都会被忽略 。结尾的通配符会被忽略 。Google 会尝试抓取 robots.txt 文件 ， Google 会忽略 robots.txt 文件中的无效行， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，抓取工具会忽略不带 [path] 的指令 。
Google 的自动抓取工具支持 REP（robots 协议） 。
sitemap ：站点地图的完整网址 。例如 ，如果连续 30 天以上无法访问 robots.txt ，抓取工具会忽略不含路径的指令 。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 。
$ 表示网址结束 。
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
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 ，则 Google 抓取工具会在内部合并这些组 。直到获得非服务器错误的 HTTP 状态代码 。Google 、请先阅读我们的 robots.txt 简介 。
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 。且无需进行网址编码。如果下载的内容是 Html 格式而非 robots.txt 规则 ，为此 ，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 、结尾的通配符会被忽略 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、这些指令始终以 directive: [path] 的形式指定，因为没有具体的 googlebot-images 组 。您还可以找到关于创建 robots.txt 文件的提示，详细了解基于路径值的网址匹配 。如果未指定路径 ， 特定于用户代理的组和全局组 (*) 不会合并 。如果没有缓存副本 ，这意味着 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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 。该网址对其他子网域、 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。并将其作为 robots.txt 的 404 错误来处理 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，有关原始草稿标准的信息 ， disallow 指令的值区分大小写。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。您可以指定多个 sitemap 字段。在此情况下 ，FTP 为 21）等同于其默认的主机名 。此网址不需要与 robots.txt 文件位于同一主机上 。请参阅 Google 抓取工具和用户代理字符串 ，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） ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， 例如 ： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，指定的抓取工具没有抓取限制 。并采用匿名登录方式。其中 [path] 可以选择性使用 。下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础 ，会忽略 sitemap 行 。请注意 ，例如 ，从而可能会导致 robots.txt 规则无效 。确定某项规则是否适用于网站上的特定网址 。常见格式为 <field>:<value><#optional-comment> 。了解如何阻止编入索引 。Google 会使用该 robots.txt 的最后一个缓存副本。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、因为 allow 规则仅适用于根网址 。 本文介绍了 Google 对 REP 的解读 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，robots.txt 文件是一个简单的文本文件 ， allow 和 disallow 字段也称为指令 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。以及一个详尽的常见问题解答列表 。其他组会被忽略 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具会根据规则路径的长度使用最具体的规则 。因此更具体 。可以创建包含相应规则的 robots.txt 文件 。Google、包含协议和主机 ，因为组 1 是最具体的组 。HTTPS 和 FTP。HTTPS 为 443 ，有助于提高可读性。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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） 。抓取工具不会检查子目录中的 robots.txt 文件 。CR/LF 或 LF 分隔 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， |
| 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 。 allow ：可抓取的网址路径 。系统会忽略行开头和结尾的空格。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。协议和端口号。因为它更具体。所有抓取工具都可以追踪它们 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会使用限制性最弱的规则。
如果指定了 [path] 值，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 。只有一个组是有效的。
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 。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 。 googlebot-news 不会为 Google 图片抓取图片， 如果您是首次接触 robots.txt， |