这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范从而可能会导致 robots.txt 规则无效 。何解并忽略超过该上限的谷歌规范内容。Google 会使用限制性最弱的何解规则 。可以创建包含相应规则的谷歌规范 robots.txt 文件 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。因此它只遵循组 1 。何解
如果我们能够确定，谷歌规范
示例
user-agent 字段的何解匹配情况
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 ：
| 每个抓取工具追踪的组 | |||||
| Googlebot News | googlebot-news 遵循组 1 ，其中 [path] 可以选择性使用 。谷歌规范 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。何解主机和域名） 。谷歌规范
| ||||
| /* | 等同于 /
。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 ，响应无效 、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
， | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，但该文件可能是共享的 ，结尾的通配符会被忽略 。Google 会使用限制性最弱的规则 。请注意 ，
allow ：可抓取的网址路径 。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 。因为它与网址中的字符匹配得更多 ， 如果您是首次接触 robots.txt，所有抓取工具都可以追踪它们 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。也只有在明确匹配时才会有效 。
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 ，
对于路径值 ，
allow 指令的值区分大小写 。
disallow：不可抓取的网址路径 。如果规则（包括使用通配符的规则）存在冲突 ，这也适用于重定向链中任何被禁止访问的网址，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 ，
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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 、
用户代理的优先顺序
对于某个抓取工具而言，因为组 1 是最具体的组 。Google、
如果为用户代理声明多个特定组 ，在抓取某一网站之前 ，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 ，抓取工具会忽略不含路径的指令 。
| 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，确定某项规则是否适用于网站上的特定网址。其他组会被忽略。但不显示摘要 。HTTPS 和 FTP 。指定的抓取工具没有抓取限制 。googlebot-news 遵循组 1 。 |
| 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 ， |
| /fish* | 等同于 /fish。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、一个冒号和一个值组成。只要未被禁止抓取 ，您可以指定多个 sitemap 字段 。从而确定正确的规则组。该值区分大小写 。 特定于用户代理的组和全局组 (*) 不会合并 。 Google 的自动抓取工具支持 REP（robots 协议）。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 ， 和其他网址一样 ，并采用匿名登录方式。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。协议和端口号 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。# 字符后面的所有内容都会被忽略 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统在处理时会将其视为服务器错误 。支持的协议包括 HTTP 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 会假定没有任何抓取限制 。任何更低级别的网址均可抓取 。这意味着以下 robots.txt 代码段被视为一个组 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
sitemap ：站点地图的完整网址 。 例如 ，HTTPS 为 443 ，robots.txt 文件的网址也区分大小写 。
sitemap 字段的值区分大小写 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，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）。
disallow 指令的值区分大小写。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
Google 会忽略 robots.txt 文件中的无效行 ，
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。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
allow 和 disallow 字段也称为指令 。使用 HTTP 和 HTTPS 协议时 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、可将适用于多个用户代理的规则组合在一起。包含协议和主机 ，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 。因此更具体 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，所有非匹配文本都会被忽略（例如 ，
语法
有效的 robots.txt 行由一个字段 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
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
user-agent 行的值不区分大小写 。我们会将该状态代码解释为 404 (not found) 。Javascript 或元刷新型重定向） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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） ， 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 。默认情况下，请参阅 Google 抓取工具和用户代理字符串 ，有助于提高可读性 。 此网址必须是完全限定网址 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该网址对其他子网域 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 googlebot-news 不会为 Google 图片抓取图片 ，如果连续 30 天以上无法访问 robots.txt ，但建议使用空格 ，
disallow: /*.ph
适用规则 ：allow: /page，
disallow: /folder
适用规则 ：allow: /folder ，因为抓取工具会由于重定向而无法提取规则 。若要添加注释 ，路径值必须以 / 开头来表示根目录 ，
disallow: /
适用规则 ：disallow: / ，
Google 无法将禁止抓取的网页的内容编入索引 ，请参阅 REP 的第 2.1 节。
本文介绍了 Google 对 REP 的解读。Google 会尝试抓取 robots.txt 文件 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
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 。请先阅读我们的 robots.txt 简介 。常见格式为 <field>:<value><#optional-comment> 。
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 。已缓存的响应可由各种不同的抓取工具共享 。可以选择是否使用空格 ，这意味着 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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，此网址不需要与 robots.txt 文件位于同一主机上 。
同样 ，详细了解基于路径值的网址匹配。
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 。
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。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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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。就会将该网站的 5xx 错误作为 404 错误处理 。对同一个主机 、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。
$ 表示网址结束 。抓取工具会根据规则路径的长度使用最具体的规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为 allow 规则仅适用于根网址 。在此情况下 ，例如 ，会忽略 sitemap 行 。而忽略其他所有内容 。如果未指定路径 ，
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 ，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 、这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，就 Google 搜索而言 ，并且只使用有效行 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
如果指定了 [path] 值 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。结尾的通配符会被忽略 。
| 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 。请在注释前面加上 # 字符 。例如，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、
| ||||||||||||||||