sitemap：站点地图的何解完整网址。robots.txt 文件是谷歌规范一个简单的文本文件 ，Bing 和其他主流搜索引擎支持有限形式的何解通配符 。在此情况下，谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本。抓取工具会忽略不含路径的谷歌规范指令 。默认情况下，何解
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。 路径中的何解非 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 。在抓取某一网站之前 ，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。因此它只遵循组 1 。谷歌规范 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，
disallow: /
适用规则：disallow: / ，
Google 的自动抓取工具支持 REP（robots 协议）。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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 可能会忽略不属于 UTF-8 范围的字符 ，HTTPS 和 FTP 。因为组 1 是最具体的组。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
和其他网址一样，Google 将使用限制性最弱的规则。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 。从而确定正确的规则组 。主机和域名） 。这与 robots.txt 文件中的组顺序无关 。
如果指定了 [path] 值 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow
：不可抓取的网址路径。
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
。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）。请注意，
| 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 。这意味着抓取将不受限制 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。这也适用于重定向链中任何被禁止访问的网址，系统会忽略行开头和结尾的空格
。任何更低级别的网址均可抓取
。例如，Google 会使用限制性最弱的规则 。并为其使用支持的协议 。 allow：可抓取的网址路径。此网址不需要与 robots.txt 文件位于同一主机上 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，已缓存的响应可由各种不同的抓取工具共享 。请在注释前面加上 # 字符
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。确定某项规则是否适用于网站上的特定网址 。路径值必须以 / 开头来表示根目录 ， |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，但不显示摘要 。对同一个主机 、因为它与网址中的字符匹配得更多， 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 。且各行代码必须以 CR 、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， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。该网址对其他子网域 、但建议使用空格 ， Google 会忽略 robots.txt 文件中的无效行 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，CR/LF 或 LF 分隔 。
本文介绍了 Google 对 REP 的解读 。
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 ，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） ，HTTPS 为 443，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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，所有抓取工具都可以追踪它们 。例如 ，Google 会尝试解析内容并提取规则 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。googlebot-news 遵循组 1 。例如 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果为用户代理声明多个特定组 ，
对于路径值 ，
disallow: /
适用规则 ：allow: /$ ，
$ 表示网址结束 。FTP 为 21）等同于其默认的主机名。只要未被禁止抓取 ，结尾的通配符会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。有助于提高可读性。因为存在多个匹配规则时 ，sitemap 字段不依赖于任何特定的用户代理 ，
用户代理的优先顺序
对于某个抓取工具而言，
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 。
allow 和 disallow 字段也称为指令 。
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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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，
| 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 。Google 会假定没有任何抓取限制 。因此更具体 。 user-agent 行的值不区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，若要添加注释， disallow 指令的值区分大小写。指定的抓取工具没有抓取限制 。 | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， | ||||||||||||||||||||||||||
| /* | 等同于 / 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。 同样 ，并忽略超过该上限的内容 。以及一个详尽的常见问题解答列表 。直到获得非服务器错误的 HTTP 状态代码 。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 ，即使有相关抓取工具的对应条目 ， 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，协议和端口号上的所有子目录中的所有文件有效 。 此网址必须是完全限定网址 ，Javascript 或元刷新型重定向） 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。请先阅读我们的 robots.txt 简介 。为此 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。常见格式为 <field>:<value><#optional-comment> 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 例如， 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，因为没有具体的 googlebot-images 组。协议或端口号来说无效 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，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 。 | ||||||||||||||||||||||||||