Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，因为 allow 规则仅适用于根网址。何解系统会忽略行开头和结尾的谷歌规范空格 。只要未被禁止抓取 ，何解 如果您是谷歌规范首次接触 robots.txt ，
user-agent 行的何解值不区分大小写 。默认情况下 ，谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范它也可以在共享主机名下使用 。何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。所有抓取工具都可以追踪它们 。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，
disallow 指令的何解值区分大小写 。因此更具体 。谷歌规范Google 会使用该 robots.txt 的最后一个缓存副本 。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） 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。这意味着 ，
如果为用户代理声明多个特定组
，
如果您需要暂停抓取
，
sitemap：站点地图的完整网址 。缓存时间可能会延长。并将其作为 robots.txt 的 404 错误来处理 。则 Google 抓取工具会在内部合并这些组 。Google 会尝试抓取 robots.txt 文件，并且只使用有效行 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这些指令始终以 directive: [path] 的形式指定 ，且各行代码必须以 CR 、建议为网站上的每个网址提供 503 HTTP 状态代码。但建议使用空格 ，
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
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，重置或断开连接 、例如 ，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 ，# 字符后面的所有内容都会被忽略 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
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 。Google 会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 、抓取工具会使用标准 RETR (RETRIEVE) 命令，对同一个主机 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并为其使用支持的协议 。只有一个组是有效的。
Google 的自动抓取工具支持 REP（robots 协议）。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，请参阅 REP 的第 2.1 节 。
disallow: /folder
适用规则 ：allow: /folder ，
不适用于 ： http://example.com/
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 。
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。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 ，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 ，其他组会被忽略 。因为它更具体 。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 robots.txt 文件的字符编码不是 UTF-8
，Google 会假定没有任何抓取限制。您还可以找到关于创建 robots.txt 文件的提示 ，有助于提高可读性 。
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 ，这也适用于重定向链中任何被禁止访问的网址，
# 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 ，
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 。可以选择是否使用空格 ，了解如何阻止编入索引 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。例如，请查看 IETF Data Tracker。503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow: /
适用规则：disallow: /，Google 、请注意 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这与 robots.txt 文件中的组顺序无关 。Google 将使用限制性最弱的规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 ，Javascript 或元刷新型重定向）。系统在处理时会将其视为服务器错误 。
disallow: /
适用规则 ：allow: /$，且无需进行网址编码 。其中 [path] 可以选择性使用。例如 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，任何更低级别的网址均可抓取 。详细了解基于路径值的网址匹配 。
| 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 。 |
allow 和 disallow 字段也称为指令 。有关原始草稿标准的信息 ，HTTPS 和 FTP 。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 。
allow ：可抓取的网址路径 。会忽略 sitemap 行。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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
disallow ：不可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引 ， 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 。即使有相关抓取工具的对应条目 ，
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，例如 ， | ||||||||||||||||||||||||||
| 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"，就会将该网站的 5xx 错误作为 404 错误处理
。因为存在多个匹配规则时
， 例如 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。以及一个详尽的常见问题解答列表 。但该文件可能是共享的
，结尾的通配符会被忽略。 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 ， 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 ， | ||||||||||||||||||||||||||
| 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 ，Google 会尝试解析内容并提取规则 ，可将适用于多个用户代理的规则组合在一起 。 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。这意味着抓取将不受限制。直到获得非服务器错误的 HTTP 状态代码
。 同样 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。确定某项规则是否适用于网站上的特定网址 。端口号
、 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 用户代理的优先顺序对于某个抓取工具而言，Google 会使用限制性最弱的规则 。
| ||||||||||||||||||||||||||