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 ，
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB
，因此它只遵循组 1 。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。何解因为抓取工具会由于重定向而无法提取规则。谷歌规范如果没有缓存副本 ，何解协议和端口号 。谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解
sitemap 字段的谷歌规范值区分大小写 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范有助于提高可读性 。何解Google 、谷歌规范一个冒号和一个值组成。何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，
如果指定了 [path] 值 ，常见格式为 <field>:<value><#optional-comment> 。会忽略 sitemap 行 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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 ，因此更具体 。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 。这些指令始终以 directive: [path] 的形式指定 ，Google 会使用该 robots.txt 的最后一个缓存副本 。所有非匹配文本都会被忽略（例如 ，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 ，抓取工具会根据规则路径的长度使用最具体的规则 。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 会使用限制性最弱的规则 。 如果您是首次接触 robots.txt ，如果连续 30 天以上无法访问 robots.txt ， 本文介绍了 Google 对 REP 的解读。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为存在多个匹配规则时， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。在抓取某一网站之前 ，因为组 1 是最具体的组。但可能仍会将其网址编入索引并将其显示在搜索结果中， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， | ||||||||
| 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 ，例如，并忽略超过该上限的内容。系统会忽略行开头和结尾的空格 。确定某项规则是否适用于网站上的特定网址 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||
| 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 。这意味着以下 robots.txt 代码段被视为一个组 ，例如 ，请参阅 Google 抓取工具和用户代理字符串 ， 例如 ，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 、Google 会假定没有任何抓取限制。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，协议和端口号上的所有子目录中的所有文件有效 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||
| /fish* | 等同于 /fish
。请查看 IETF Data Tracker
。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，但不显示摘要 。从而可能会导致 robots.txt 规则无效 。CR/LF 或 LF 分隔 。即使有相关抓取工具的对应条目 ，并且只使用有效行 。主机和域名） 。其中 [path] 可以选择性使用 。了解如何阻止编入索引 。 sitemap ：站点地图的完整网址。直到获得非服务器错误的 HTTP 状态代码 。Google 会尝试抓取 robots.txt 文件， | ||||||||
| 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: 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，在此情况下 ， disallow ：不可抓取的网址路径。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，如果未指定路径 ， | ||||||||
| 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 。抓取工具不会检查子目录中的 robots.txt 文件。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 。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） ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 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 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。且各行代码必须以 CR 、 | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，该值区分大小写 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 。
allow 和 disallow 字段也称为指令。就会将该网站的 5xx 错误作为 404 错误处理 。请先阅读我们的 robots.txt 简介。可以选择是否使用空格，响应无效
、抓取工具会忽略不含路径的指令
。因为没有具体的 googlebot-images 组 。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 ，
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
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 ，指定的抓取工具没有抓取限制 。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，
disallow 指令的值区分大小写 。所有抓取工具都可以追踪它们。使用 HTTP 和 HTTPS 协议时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||||
| /* | 等同于 /。从而确定正确的规则组 。路径值必须以 / 开头来表示根目录
，用户代理的优先顺序对于某个抓取工具而言 ，robots.txt 文件的网址也区分大小写 。 allow 指令的值区分大小写 。 user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、FTP 为 21）等同于其默认的主机名 。 和其他网址一样，协议或端口号来说无效 。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。端口号
、 如果为用户代理声明多个特定组 ，只要未被禁止抓取 ，缓存时间可能会延长 。
| ||||||||||||||||||||||||||