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
，该值区分大小写 。何解
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。
| 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 。何解 Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，例如，何解 用法： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。并采用匿名登录方式 。何解以及一个详尽的谷歌规范常见问题解答列表。它也可以在共享主机名下使用 。何解这些指令始终以 directive: [path] 的谷歌规范形式指定，例如，Google 、则 Google 抓取工具会在内部合并这些组 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。响应无效 、 如果您需要暂停抓取，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并将其作为 robots.txt 的 404 错误来处理 。只要未被禁止抓取 ，协议和端口号上的所有子目录中的所有文件有效 。 特定于用户代理的组和全局组 (*) 不会合并 。 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 。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。Google 会使用限制性最弱的规则。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径
。如果 robots.txt 文件的字符编码不是 UTF-8
，以提取关于网站中哪些部分可以被抓取的信息 。这意味着，您还可以找到关于创建 robots.txt 文件的提示， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、请在注释前面加上 # 字符 。sitemap 字段不依赖于任何特定的用户代理，这意味着抓取将不受限制 。googlebot-news 遵循组 1 。 allow：可抓取的网址路径 。 本文介绍了 Google 对 REP 的解读 。 如果为用户代理声明多个特定组 ， |
allow 和 disallow 字段也称为指令。请查看 IETF Data Tracker。但不显示摘要 。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） 。
Google 无法将禁止抓取的网页的内容编入索引 ，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 。
user-agent 行的值不区分大小写 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定
，# 字符后面的所有内容都会被忽略
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /folder
适用规则 ：allow: /folder ，
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。因此更具体。详细了解基于路径值的网址匹配 。
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，您可以指定多个 sitemap 字段。就 Google 搜索而言 ，因为它更具体
。然后便会停止 ，Google 会假定没有任何抓取限制
。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。这意味着以下 robots.txt 代码段被视为一个组，
如果我们能够确定 ，robots.txt 文件是一个简单的文本文件 ，
disallow ：不可抓取的网址路径 。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） ，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 ， 如果您是首次接触 robots.txt ，
disallow: /
适用规则 ：allow: /$ ，从而确定正确的规则组。如果未指定路径，因为它更具体 。
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。FTP 为 21）等同于其默认的主机名。系统在处理时会将其视为服务器错误 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。503 (service unavailable) 错误会导致非常频繁的重试操作。 | ||||||||||||||||||||||||
| 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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，结尾的通配符会被忽略 。在此情况下 ，因为存在多个匹配规则时 ， 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
。因为它与网址中的字符匹配得更多 ，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 。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 ，就会将该网站的 5xx 错误作为 404 错误处理 。也只有在明确匹配时才会有效 。 | ||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||
| 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 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。结尾的通配符会被忽略 。可将适用于多个用户代理的规则组合在一起 。 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: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ，若要添加注释 ，Google 会尝试解析内容并提取规则 ，我们会将该状态代码解释为 404 (not found)。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，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 、且无需进行网址编码。 例如 ， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 可能会忽略不属于 UTF-8 范围的字符，因此它只遵循组 1。HTTPS 和 FTP。 对于路径值 ，端口号 、将已排除的内容放在一个单独的目录中。有助于提高可读性 。HTTPS 为 443 ，重置或断开连接 、使用 HTTP 和 HTTPS 协议时 ，因为没有具体的 googlebot-images 组。例如 ，对同一个主机 、 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。直到获得非服务器错误的 HTTP 状态代码 。从而可能会导致 robots.txt 规则无效 。因为 allow 规则仅适用于根网址 。 同样 ，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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，而忽略其他所有内容 。有关原始草稿标准的信息 ， | ||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会尝试抓取 robots.txt 文件 ，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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，可以选择是否使用空格 ，另请参阅 RFC 3492。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，这也适用于重定向链中任何被禁止访问的网址， 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， 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：
| ||||||||