* 表示出现 0 次或多次的何解任何有效字符 。
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 ，
sitemap 字段的何解值区分大小写。
disallow: /
适用规则 ：disallow: /，谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解CR/LF 或 LF 分隔。谷歌规范此网址不需要与 robots.txt 文件位于同一主机上。何解并为其使用支持的谷歌规范协议 。在抓取某一网站之前 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。robots.txt 文件的网址也区分大小写 。
disallow: /*.htm
适用规则：disallow: /*.htm ，
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
对于路径值 ，结尾的通配符会被忽略 。Google 会使用限制性最弱的规则 。例如，并将其作为 robots.txt 的 404 错误来处理 。
如果您需要暂停抓取 ，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
。# 字符后面的所有内容都会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
本文介绍了 Google 对 REP 的解读 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，建议为网站上的每个网址提供 503 HTTP 状态代码。包含协议和主机 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow 指令的值区分大小写 。HTTPS 为 443 ，Google 会假定没有任何抓取限制 。其中 [path] 可以选择性使用 。
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 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，因为它更具体 。
sitemap ：站点地图的完整网址 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。在此情况下，
如果指定了 [path] 值 ，我们会将该状态代码解释为 404 (not found) 。
如果我们能够确定，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。
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 ，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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，
语法
有效的 robots.txt 行由一个字段、且无需进行网址编码。该网址对其他子网域 、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，
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 。重置或断开连接
、常见格式为 <field>:<value><#optional-comment>。因此它只遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为组 1 是最具体的组 。例如 ，Google 将使用限制性最弱的规则
。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。如果未指定路径 ，若要添加注释 ，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）。协议和端口号 。 特定于用户代理的组和全局组 (*) 不会合并。可以选择是否使用空格 ，请先阅读我们的 robots.txt 简介 。支持的协议包括 HTTP
、从而确定正确的规则组。协议或端口号来说无效 。就会将该网站的 5xx 错误作为 404 错误处理 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 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 。即使有相关抓取工具的对应条目 ，且各行代码必须以 CR 、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/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， 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 ，Google 会尝试解析内容并提取规则，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 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，抓取工具会使用标准 RETR (RETRIEVE) 命令，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 |
| 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 。一个冒号和一个值组成 。这也适用于重定向链中任何被禁止访问的网址 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， allow 和 disallow 字段也称为指令 。指定的抓取工具没有抓取限制。这些指令始终以 directive: [path] 的形式指定 ，例如，抓取工具不会检查子目录中的 robots.txt 文件 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为它与网址中的字符匹配得更多， 例如 ，您还可以找到关于创建 robots.txt 文件的提示， googlebot-news 不会为 Google 图片抓取图片 ，您可以指定多个 sitemap 字段。 user-agent 行的值不区分大小写 。HTTPS 和 FTP。 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。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 。但不显示摘要 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则 。
| 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。但建议使用空格 ，而忽略其他所有内容 。 | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，并忽略超过该上限的内容。为此 ， $ 表示网址结束 。因为抓取工具会由于重定向而无法提取规则 。 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。端口号 、如果规则（包括使用通配符的规则）存在冲突 ，该值区分大小写 。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，可以创建包含相应规则的 robots.txt 文件 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，请参阅 Google 抓取工具和用户代理字符串 ，这意味着以下 robots.txt 代码段被视为一个组 ， 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||||
| /* | 等同于 /。如果没有缓存副本，请注意 ，会忽略 sitemap 行 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这与 robots.txt 文件中的组顺序无关。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），googlebot-news 遵循组 1 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Javascript 或元刷新型重定向）。 allow ：可抓取的网址路径。Google 会尝试抓取 robots.txt 文件 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。 Google 的自动抓取工具支持 REP（robots 协议） 。所有抓取工具都可以追踪它们。FTP 为 21）等同于其默认的主机名 。 disallow ：不可抓取的网址路径 。 Google 会忽略 robots.txt 文件中的无效行 ， 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 。
| ||||||||||||||||||||