缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，就会将该网站的谷歌规范 5xx 错误作为 404 错误处理。Google 会使用限制性最弱的何解规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范HTTPS 和 FTP 。何解结尾的谷歌规范通配符会被忽略 。Google 会使用该 robots.txt 的何解最后一个缓存副本 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，因为没有具体的谷歌规范 googlebot-images 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 ，何解就 Google 搜索而言 ，谷歌规范
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。但该文件可能是谷歌规范共享的 ，robots.txt 文件的网址也区分大小写 。路径值必须以 / 开头来表示根目录，
disallow ：不可抓取的网址路径。因为它与网址中的字符匹配得更多 ，并将其作为 robots.txt 的 404 错误来处理。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，所有非匹配文本都会被忽略（例如 ，因为 allow 规则仅适用于根网址 。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 ，可以选择是否使用空格 ，
Google 无法将禁止抓取的网页的内容编入索引 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 、 googlebot-news 不会为 Google 图片抓取图片 ，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 。请注意 ，FTP 为 21）等同于其默认的主机名 。支持的协议包括 HTTP 、它也可以在共享主机名下使用 。从而可能会导致 robots.txt 规则无效 。此网址不需要与 robots.txt 文件位于同一主机上 。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 ，请在注释前面加上 # 字符 。有助于提高可读性
。Google 会尝试解析内容并提取规则 ，sitemap 字段不依赖于任何特定的用户代理 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，则 Google 抓取工具会在内部合并这些组 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
allow ：可抓取的网址路径 。只有一个组是有效的
。
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 ，请先阅读我们的 robots.txt 简介 。您还可以找到关于创建 robots.txt 文件的提示 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
disallow: /
适用规则 ：allow: /$ ，协议和端口号上的所有子目录中的所有文件有效 。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 ，但不显示摘要 。端口号、抓取工具会忽略不带 [path] 的指令。
如果为用户代理声明多个特定组 ， 如果您是首次接触 robots.txt ，而忽略其他所有内容 。
allow 和 disallow 字段也称为指令 。常见格式为 <field>:<value><#optional-comment> 。 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 ，直到获得非服务器错误的 HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关 。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定， 此网址必须是完全限定网址 ，
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 ，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 ，指定的抓取工具没有抓取限制。
| 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 。 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 ， 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 ， sitemap ：站点地图的完整网址 。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 、 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 allow 指令的值区分大小写
。 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。抓取工具会使用标准 RETR (RETRIEVE) 命令
， Google 会忽略 robots.txt 文件中的无效行，详细了解基于路径值的网址匹配 。但建议使用空格 ，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 ， 如果指定了 [path] 值 ，也只有在明确匹配时才会有效 。 user-agent 行的值不区分大小写 。 同样 ，可将适用于多个用户代理的规则组合在一起 。因为它更具体 。 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 。有关原始草稿标准的信息 ，若要添加注释 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。HTTPS 为 443 ，抓取工具会根据规则路径的长度使用最具体的规则 。例如 ，例如 ，这意味着以下 robots.txt 代码段被视为一个组
，并忽略超过该上限的内容 。了解如何阻止编入索引 。协议或端口号来说无效 。 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。因为存在多个匹配规则时 ，因此它只遵循组 1。其中 [path] 可以选择性使用 。只要未被禁止抓取 ，因此更具体 。会忽略 sitemap 行 。抓取工具不会检查子目录中的 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 ，在抓取某一网站之前，以及一个详尽的常见问题解答列表 。该指令将被忽略 。如果连续 30 天以上无法访问 robots.txt ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。然后便会停止 ， $ 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 。 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 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
，
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||