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 ，这也适用于重定向链中任何被禁止访问的何解网址
，
匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范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 、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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解端口号、谷歌规范另请参阅 RFC 3492
。何解 Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，HTTPS 为 443，何解 如果指定了 [path] 值 ，谷歌规范因此更具体 。何解 | ||||
| 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 等同于其对应的谷歌规范 Punycode 版本 。已缓存的何解响应可由各种不同的抓取工具共享。请参阅 REP 的谷歌规范第 2.1 节 。而忽略其他所有内容。了解如何阻止编入索引 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||
| /*.php | 匹配包含 .php 的任何路径。 | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ，也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则 。HTTPS 和 FTP 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，协议和端口号 。 | ||||
| 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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因此它只遵循组 1 。则 Google 抓取工具会在内部合并这些组。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， | ||||
| Googlebot（网络） | googlebot 遵循组 3
。该值区分大小写
。响应无效 、Google 会使用该 robots.txt 的最后一个缓存副本。 disallow：不可抓取的网址路径 。 | ||||
| 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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 。 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 ， 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 ，并采用匿名登录方式 。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 ，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） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。直到获得非服务器错误的 HTTP 状态代码 。Google 、协议或端口号来说无效 。对同一个主机、请注意，并且只使用有效行 。从而确定正确的规则组 。因为抓取工具会由于重定向而无法提取规则 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、请查看 IETF Data Tracker。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
。会忽略 sitemap 行 。但不显示摘要 。就 Google 搜索而言 ， | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。例如 ，Google 会假定没有任何抓取限制。 allow 指令的值区分大小写
。 sitemap 字段的值区分大小写。因为存在多个匹配规则时， 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" ， | ||||
| 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 。 语法有效的 robots.txt 行由一个字段 、googlebot-news 遵循组 1 。因为它更具体。其他组会被忽略 。系统会忽略行开头和结尾的空格 。抓取工具不会检查子目录中的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。例如 ，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，主机和域名） 。 sitemap ：站点地图的完整网址 。以提取关于网站中哪些部分可以被抓取的信息
。 | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 特定于用户代理的组和全局组 (*) 不会合并 。您可以指定多个 sitemap 字段 。因为组 1 是最具体的组
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， user-agent 行的值不区分大小写。可将适用于多个用户代理的规则组合在一起 。robots.txt 文件的网址也区分大小写 。缓存时间可能会延长 。这与 robots.txt 文件中的组顺序无关。 | ||||
| Googlebot Images | googlebot-images 遵循组 2 ，从而可能会导致 robots.txt 规则无效 。抓取工具会根据规则路径的长度使用最具体的规则 。该指令将被忽略。 allow：可抓取的网址路径。 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， | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，如果没有缓存副本 ，结尾的通配符会被忽略 。协议和端口号上的所有子目录中的所有文件有效 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，结尾的通配符会被忽略 。所有抓取工具都可以追踪它们 。 | ||||
| /$ | 仅匹配根目录。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 。 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 ， 用户代理的优先顺序对于某个抓取工具而言 ， | ||||
| 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 ，抓取工具会忽略不带 [path] 的指令 。 | ||||
* 表示出现 0 次或多次的任何有效字符 。可以选择是否使用空格 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，重置或断开连接 、有助于提高可读性 。
disallow: /folder
适用规则 ：allow: /folder ，有关原始草稿标准的信息，sitemap 字段不依赖于任何特定的用户代理，
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 。为此 ，并忽略超过该上限的内容 。
本文介绍了 Google 对 REP 的解读。并将其作为 robots.txt 的 404 错误来处理 。抓取工具会忽略不含路径的指令 。因为 allow 规则仅适用于根网址 。Javascript 或元刷新型重定向） 。
如果您需要暂停抓取 ，常见格式为 <field>:<value><#optional-comment>。例如，确定某项规则是否适用于网站上的特定网址 。您还可以找到关于创建 robots.txt 文件的提示，就会将该网站的 5xx 错误作为 404 错误处理 。其中 [path] 可以选择性使用 。Google 会尝试解析内容并提取规则 ， 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 。
如果为用户代理声明多个特定组 ，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 。 例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
和其他网址一样，请参阅 Google 抓取工具和用户代理字符串，
disallow: /*.ph
适用规则 ：allow: /page ，且无需进行网址编码 。但建议使用空格 ，
allow 和 disallow 字段也称为指令 。将已排除的内容放在一个单独的目录中 。详细了解基于路径值的网址匹配 。请先阅读我们的 robots.txt 简介 。我们会将该状态代码解释为 404 (not found) 。
对于路径值，若要添加注释 ，所有非匹配文本都会被忽略（例如 ，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
，即使有相关抓取工具的对应条目 ，
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 。因为存在多个匹配规则时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 此网址必须是完全限定网址 ，如果下载的内容是 Html 格式而非 robots.txt 规则，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 将使用限制性最弱的规则。
$ 表示网址结束 。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 ，这意味着抓取将不受限制 。支持的协议包括 HTTP 、使用 HTTP 和 HTTPS 协议时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
disallow 指令的值区分大小写 。因为没有具体的 googlebot-images 组 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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。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），
同样 ，这些指令始终以 directive: [path] 的形式指定 ，任何更低级别的网址均可抓取 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如 ，然后便会停止 ，路径值必须以 / 开头来表示根目录，请在注释前面加上 # 字符 。在此情况下 ，# 字符后面的所有内容都会被忽略 。Google 会使用限制性最弱的规则 。
Google 会忽略 robots.txt 文件中的无效行 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
disallow: /
适用规则 ：disallow: / ，并为其使用支持的协议。以及一个详尽的常见问题解答列表 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。可以创建包含相应规则的 robots.txt 文件。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。robots.txt 文件是一个简单的文本文件， 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 、 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。
| ||||||||||