同样 ，谷歌规范且各行代码必须以 CR 、何解
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 ，在抓取某一网站之前，何解协议或端口号来说无效。谷歌规范只要未被禁止抓取 ，何解
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。因为它更具体 。何解
user-agent 行的谷歌规范值不区分大小写。 例如 ，何解
disallow: /
适用规则 ：disallow: /，谷歌规范robots.txt 文件是何解一个简单的文本文件 ，robots.txt 文件的谷歌规范网址也区分大小写 。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） ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，端口号、
$ 表示网址结束
。因为 allow 规则仅适用于根网址 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，协议和端口号上的所有子目录中的所有文件有效。也只有在明确匹配时才会有效。503 (service unavailable) 错误会导致非常频繁的重试操作。响应无效 、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 。
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 ，已缓存的响应可由各种不同的抓取工具共享 。请查看 IETF Data Tracker 。Google 、协议和端口号 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这意味着以下 robots.txt 代码段被视为一个组， 此网址必须是完全限定网址 ，使用 HTTP 和 HTTPS 协议时 ，即使有相关抓取工具的对应条目 ，有关原始草稿标准的信息 ，
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项
：
/（即使其映射到 /index.php）
/windows.PHP
allow 和 disallow 字段也称为指令。请在注释前面加上 # 字符 。
如果您需要暂停抓取 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
allow 指令的值区分大小写。
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，该值区分大小写 。
| 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 。它也可以在共享主机名下使用。 | ||||||||||||
| 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。您还可以找到关于创建 robots.txt 文件的提示 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，并为其使用支持的协议 。 | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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 。可以选择是否使用空格，如果规则（包括使用通配符的规则）存在冲突， 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， 用户代理的优先顺序对于某个抓取工具而言 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。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 ，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 。 | ||||||||||||
| /fish* | 等同于 /fish 。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 、 和其他网址一样，因为没有具体的 googlebot-images 组 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，并忽略超过该上限的内容 。
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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
| 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。请参阅 REP 的第 2.1 节 。如果下载的内容是 Html 格式而非 robots.txt 规则， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 ，但建议使用空格 ，这也适用于重定向链中任何被禁止访问的网址，googlebot-news 遵循组 1 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。则 Google 抓取工具会在内部合并这些组。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。常见格式为 <field>:<value><#optional-comment> 。而忽略其他所有内容 。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时， sitemap 字段的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。所有非匹配文本都会被忽略（例如 ， sitemap ：站点地图的完整网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，以提取关于网站中哪些部分可以被抓取的信息。 | ||||||
| /*.php | 匹配包含 .php 的任何路径。Google 会尝试抓取 robots.txt 文件 ，该指令将被忽略 。抓取工具不会检查子目录中的 robots.txt 文件 。 Google 会忽略 robots.txt 文件中的无效行 ，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 。此网址不需要与 robots.txt 文件位于同一主机上 。 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， disallow ：不可抓取的网址路径 。Bing 和其他主流搜索引擎支持有限形式的通配符。Google 将使用限制性最弱的规则。就 Google 搜索而言， | ||||||
| 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 。您可以指定多个 sitemap 字段 。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 ，就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略 。Google 会使用限制性最弱的规则。 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 。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 ，只有一个组是有效的 。 | ||||||
| 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， 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， | ||||||
| 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
。然后便会停止 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这意味着抓取将不受限制 。路径值必须以 / 开头来表示根目录 ，HTTPS 和 FTP。 Google 无法将禁止抓取的网页的内容编入索引，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） 。例如 ，缓存时间可能会延长 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，可将适用于多个用户代理的规则组合在一起 。请注意 ，所有抓取工具都可以追踪它们 。会忽略 sitemap 行 。包含协议和主机 ，可以创建包含相应规则的 robots.txt 文件 。因为它更具体 。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 ，重置或断开连接 、 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果未指定路径 ，支持的协议包括 HTTP、因此它只遵循组 1 。如果连续 30 天以上无法访问 robots.txt ，并将其作为 robots.txt 的 404 错误来处理。Google 会假定没有任何抓取限制 。将已排除的内容放在一个单独的目录中。因为它与网址中的字符匹配得更多 ，例如，sitemap 字段不依赖于任何特定的用户代理，从而可能会导致 robots.txt 规则无效 。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 。以及一个详尽的常见问题解答列表 。例如 ， 如果为用户代理声明多个特定组 ， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||
| /$ | 仅匹配根目录 。Google 会使用限制性最弱的规则 。 | ||||||
| /* | 等同于 / 。 | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，结尾的通配符会被忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，该网址对其他子网域 、确定某项规则是否适用于网站上的特定网址。我们会将该状态代码解释为 404 (not found) 。指定的抓取工具没有抓取限制。并采用匿名登录方式 。 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 。HTTPS 为 443 ，Google 会尝试解析内容并提取规则
，
| ||||||