对于路径值 ，何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。在抓取某一网站之前 ，何解也只有在明确匹配时才会有效。谷歌规范会忽略 sitemap 行 。何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，
Google 的何解自动抓取工具支持 REP（robots 协议） 。
disallow 指令的谷歌规范值区分大小写 。这意味着，何解
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。谷歌规范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） ，这意味着抓取将不受限制。如果没有缓存副本 ，
disallow ：不可抓取的网址路径 。如果未指定路径 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，指定的抓取工具没有抓取限制 。Google 可能会忽略不属于 UTF-8 范围的字符 ，所有抓取工具都可以追踪它们 。为此 ，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。重置或断开连接 、 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 。
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 | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。可以选择是否使用空格 ，其他组会被忽略 。但该文件可能是共享的 ，googlebot-news 遵循组 1 。并采用匿名登录方式。响应无效 、 | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但不显示摘要 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。请查看 IETF Data Tracker 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但建议使用空格 ，
如果您需要暂停抓取 ，如果连续 30 天以上无法访问 robots.txt ，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
Google 会忽略 robots.txt 文件中的无效行 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
$ 表示网址结束 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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，
如果为用户代理声明多个特定组，
匹配项：
/fish.php
/fishheads/catfish.php?parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，该网址对其他子网域 、并为其使用支持的协议 。且无需进行网址编码 。建议为网站上的每个网址提供 503 HTTP 状态代码
。对同一个主机
、可将适用于多个用户代理的规则组合在一起
。协议或端口号来说无效 。这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具会根据规则路径的长度使用最具体的规则。且各行代码必须以 CR 、
如果我们能够确定 ，Google 会使用限制性最弱的规则 。请参阅 REP 的第 2.1 节
。例如，googlebot/1.2 和 googlebot* 均等同于 googlebot）。因为存在多个匹配规则时 ，
allow 指令的值区分大小写 。
语法
有效的 robots.txt 行由一个字段 、协议和端口号 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，请在注释前面加上 # 字符 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为它与网址中的字符匹配得更多，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 ，了解如何阻止编入索引。系统会忽略行开头和结尾的空格 。
disallow: /
适用规则 ：disallow: /，抓取工具会忽略不含路径的指令 。
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：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ， |
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 ，例如 ，有关原始草稿标准的信息 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会尝试解析内容并提取规则 ，robots.txt 文件的网址也区分大小写 。因为抓取工具会由于重定向而无法提取规则。
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
和其他网址一样，例如 ，在此情况下 ，系统在处理时会将其视为服务器错误 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、就 Google 搜索而言 ，
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 。您可以指定多个 sitemap 字段。请先阅读我们的 robots.txt 简介 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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。常见格式为 <field>:<value><#optional-comment> 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，详细了解基于路径值的网址匹配 。我们会将该状态代码解释为 404 (not found) 。此网址不需要与 robots.txt 文件位于同一主机上 。
| 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 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。并且只使用有效行。而忽略其他所有内容 。所有非匹配文本都会被忽略（例如， 如果指定了 [path] 值 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。已缓存的响应可由各种不同的抓取工具共享。 sitemap ：站点地图的完整网址。因此它只遵循组 1。任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。有助于提高可读性。使用 HTTP 和 HTTPS 协议时，# 字符后面的所有内容都会被忽略
。HTTP 组块错误等）而无法抓取的 robots.txt 文件，HTTPS 为 443
，请注意 ，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。 此网址必须是完全限定网址，该指令将被忽略
。 sitemap 字段的值区分大小写。 | ||||||||||||||||||||||||||||||||||
| 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 。直到获得非服务器错误的 HTTP 状态代码。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 ，
| ||||||||||||||||||||||||||||||||||