Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架、会忽略 sitemap 行。何解请参阅 REP 的谷歌规范第 2.1 节 。
语法
有效的何解 robots.txt 行由一个字段 、重置或断开连接、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 ，该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议
、 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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 、 disallow 指令的值区分大小写 。而忽略其他所有内容 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTPS 和 FTP。CR/LF 或 LF 分隔 。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 。这意味着以下 robots.txt 代码段被视为一个组 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，您还可以找到关于创建 robots.txt 文件的提示 ，只要未被禁止抓取 ， |
| 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 ， 如果为用户代理声明多个特定组 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、端口号 、若要添加注释 ， |
| 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 。Google 会使用限制性最弱的规则 。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， 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
，可以创建包含相应规则的 robots.txt 文件 。Javascript 或元刷新型重定向）。并忽略超过该上限的内容。
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
同样 ，因为它更具体 。我们会将该状态代码解释为 404 (not found) 。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 ，所有抓取工具都可以追踪它们 。一个冒号和一个值组成 。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 。结尾的通配符会被忽略 。Google 会使用该 robots.txt 的最后一个缓存副本 。因为存在多个匹配规则时，以提取关于网站中哪些部分可以被抓取的信息。
disallow: /
适用规则 ：allow: /$ ，
如果我们能够确定 ，系统在处理时会将其视为服务器错误 。
对于路径值 ，
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 ，该网址对其他子网域 、请先阅读我们的 robots.txt 简介 。
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 。您可以指定多个 sitemap 字段 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着 ，
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
。因为它与网址中的字符匹配得更多 ，从而可能会导致 robots.txt 规则无效
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
Google 无法将禁止抓取的网页的内容编入索引 ，协议或端口号来说无效 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。了解如何阻止编入索引。对同一个主机 、将已排除的内容放在一个单独的目录中 。协议和端口号上的所有子目录中的所有文件有效。这也适用于重定向链中任何被禁止访问的网址，
allow ：可抓取的网址路径。503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 Google 抓取工具和用户代理字符串 ，
和其他网址一样， 此网址必须是完全限定网址，默认情况下 ， 特定于用户代理的组和全局组 (*) 不会合并 。然后便会停止 ，路径值必须以 / 开头来表示根目录 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
allow 和 disallow 字段也称为指令。其中 [path] 可以选择性使用。这些指令始终以 directive: [path] 的形式指定 ， 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 。已缓存的响应可由各种不同的抓取工具共享。就会将该网站的 5xx 错误作为 404 错误处理 。有助于提高可读性 。抓取工具会使用标准 RETR (RETRIEVE) 命令，
| 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 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，系统会忽略行开头和结尾的空格 。Google 会尝试抓取 robots.txt 文件 ， Google 会忽略 robots.txt 文件中的无效行 ，sitemap 字段不依赖于任何特定的用户代理 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具会忽略不带 [path] 的指令 。可将适用于多个用户代理的规则组合在一起。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。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
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||
| 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 ， disallow ：不可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。这意味着抓取将不受限制 。并采用匿名登录方式 。主机和域名） 。且无需进行网址编码 。从而确定正确的规则组 。结尾的通配符会被忽略 。# 字符后面的所有内容都会被忽略 。例如 ， $ 表示网址结束 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，因为抓取工具会由于重定向而无法提取规则 。协议和端口号 。googlebot-news 遵循组 1 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，即使有相关抓取工具的对应条目 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||
| /$ | 仅匹配根目录 。指定的抓取工具没有抓取限制。因此更具体。 | ||||||||||
| /* | 等同于 /。用户代理的优先顺序对于某个抓取工具而言 ， 例如 ，在抓取某一网站之前 ，可以选择是否使用空格 ，并将其作为 robots.txt 的 404 错误来处理 。直到获得非服务器错误的 HTTP 状态代码 。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 ， | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，Google 会假定没有任何抓取限制 。也只有在明确匹配时才会有效 。但建议使用空格 ，在此情况下 ，例如， | ||||||||||
| 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 。 sitemap ：站点地图的完整网址。抓取工具不会检查子目录中的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。FTP 为 21）等同于其默认的主机名。缓存时间可能会延长 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为存在多个匹配规则时 ，请查看 IETF Data Tracker 。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。任何更低级别的网址均可抓取 。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 ，HTTPS 为 443 ，如果连续 30 天以上无法访问 robots.txt ， googlebot-news 不会为 Google 图片抓取图片 ，如果规则（包括使用通配符的规则）存在冲突，请在注释前面加上 # 字符 。 user-agent 行的值不区分大小写 。 | ||||||||||
| 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 。Google 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，如果没有缓存副本 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会尝试解析内容并提取规则 ，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 。 allow 指令的值区分大小写 。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 ，响应无效、 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 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，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 ，Google 会使用限制性最弱的规则 。 | ||||||||||