缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，所有非匹配文本都会被忽略（例如 ，谷歌规范 例如 ，何解此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范另请参阅 RFC 3492 。何解抓取工具会忽略不带 [path] 的谷歌规范指令 。在此情况下 ，何解抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范详细了解基于路径值的何解网址匹配 。HTTPS 和 FTP 。谷歌规范
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，并忽略超过该上限的谷歌规范内容 。就 Google 搜索而言 ，何解则 Google 抓取工具会在内部合并这些组 。谷歌规范
disallow: /*.htm
适用规则：disallow: /*.htm ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，googlebot-news 遵循组 1 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。请参阅 REP 的第 2.1 节 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、robots.txt 文件是一个简单的文本文件，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。即使有相关抓取工具的对应条目，常见格式为 <field>:<value><#optional-comment>
。可以选择是否使用空格 ，FTP 为 21）等同于其默认的主机名 。任何更低级别的网址均可抓取 。
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 ，若要添加注释 ，默认情况下 ，您可以指定多个 sitemap 字段 。系统在处理时会将其视为服务器错误 。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 ：
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 ，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） ，并且只使用有效行 。我们会将该状态代码解释为 404 (not found)。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
sitemap 字段的值区分大小写 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，协议和端口号上的所有子目录中的所有文件有效 。使用 HTTP 和 HTTPS 协议时 ，并将其作为 robots.txt 的 404 错误来处理 。
user-agent 行的值不区分大小写 。# 字符后面的所有内容都会被忽略 。然后便会停止 ，也只有在明确匹配时才会有效 。且各行代码必须以 CR 、这意味着抓取将不受限制。Google 会尝试解析内容并提取规则 ，主机和域名） 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。指定的抓取工具没有抓取限制 。Google 会使用限制性最弱的规则。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因此更具体 。结尾的通配符会被忽略 。其他组会被忽略 。
| 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 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。该值区分大小写。 sitemap ：站点地图的完整网址 。 |
| Googlebot Images | googlebot-images 遵循组 2，因为组 1 是最具体的组 。从而可能会导致 robots.txt 规则无效
。 如果您是首次接触 robots.txt ，响应无效、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。以提取关于网站中哪些部分可以被抓取的信息。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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） 。为此 ， |
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 allow ：可抓取的网址路径 。因此它只遵循组 1。 |
| 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 ，用户代理的优先顺序对于某个抓取工具而言 ，可以创建包含相应规则的 robots.txt 文件。请查看 IETF Data Tracker 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。例如 ，如果未指定路径 ， 如果为用户代理声明多个特定组， 本文介绍了 Google 对 REP 的解读 。 |
| /* | 等同于 / 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， googlebot-news 不会为 Google 图片抓取图片 ，结尾的通配符会被忽略 。因为抓取工具会由于重定向而无法提取规则 。 |
| /fish* | 等同于 /fish
。这与 robots.txt 文件中的组顺序无关 。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 ，请先阅读我们的 robots.txt 简介 。在抓取某一网站之前， |
| 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 ，因为没有具体的 googlebot-images 组 。请注意，支持的协议包括 HTTP、 同样， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，HTTPS 为 443，包含协议和主机 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具不会检查子目录中的 robots.txt 文件 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，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 、例如 ， disallow ：不可抓取的网址路径
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 此网址必须是完全限定网址 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。如果连续 30 天以上无法访问 robots.txt ，
$ 表示网址结束 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ，对同一个主机 、
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 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 。
disallow 指令的值区分大小写。它也可以在共享主机名下使用 。但建议使用空格，只要未被禁止抓取 ，sitemap 字段不依赖于任何特定的用户代理 ，有助于提高可读性 。这也适用于重定向链中任何被禁止访问的网址 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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。Google
、端口号 、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 ，例如 ，
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 可能会忽略不属于 UTF-8 范围的字符 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
allow 和 disallow 字段也称为指令。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
对于路径值 ，从而确定正确的规则组。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，已缓存的响应可由各种不同的抓取工具共享 。
allow 指令的值区分大小写 。因为存在多个匹配规则时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，以及一个详尽的常见问题解答列表。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。了解如何阻止编入索引。503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow: /*.ph
适用规则 ：allow: /page ，因为存在多个匹配规则时 ，该网址对其他子网域 、抓取工具会根据规则路径的长度使用最具体的规则 。
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 。如果规则（包括使用通配符的规则）存在冲突 ，
Google 的自动抓取工具支持 REP（robots 协议） 。CR/LF 或 LF 分隔 。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，
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。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 ，
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
和其他网址一样，系统会忽略行开头和结尾的空格 。Google 将使用限制性最弱的规则 。
disallow: /
适用规则 ：allow: /$ ，Google 会尝试抓取 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
如果我们能够确定 ，并采用匿名登录方式 。
| 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
。 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 。可将适用于多个用户代理的规则组合在一起 。重置或断开连接 、 robots.txt 文件中列出的规则只适用于该文件所在的主机、路径值必须以 / 开头来表示根目录 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件
，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 ，请参阅 Google 抓取工具和用户代理字符串 ，抓取工具会忽略不含路径的指令
。就会将该网站的 5xx 错误作为 404 错误处理
。协议和端口号
。有关原始草稿标准的信息
， 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 ：
| ||||||||||||||||||||||||||||