规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解请查看 IETF Data Tracker 。谷歌规范
如果我们能够确定 ，何解端口号、谷歌规范路径值必须以 / 开头来表示根目录 ，何解
disallow 指令的谷歌规范值区分大小写 。
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。重置或断开连接、谷歌规范Google 将使用限制性最弱的何解规则 。服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。CR/LF 或 LF 分隔 。何解Google 会使用限制性最弱的谷歌规范规则 。这意味着抓取将不受限制 。何解因为 allow 规则仅适用于根网址 。谷歌规范
用户代理的优先顺序
对于某个抓取工具而言 ，这与 robots.txt 文件中的组顺序无关 。缓存时间可能会延长 。这意味着，
和其他网址一样，就 Google 搜索而言 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为抓取工具会由于重定向而无法提取规则 。从而确定正确的规则组。系统在处理时会将其视为服务器错误 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，任何更低级别的网址均可抓取 。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 ，则 Google 抓取工具会在内部合并这些组。会忽略 sitemap 行 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
| 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
。常见格式为 <field>:<value><#optional-comment> 。为此 ， 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 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，包含协议和主机，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可将适用于多个用户代理的规则组合在一起 。该指令将被忽略 。例如，sitemap 字段不依赖于任何特定的用户代理 ，所有抓取工具都可以追踪它们 。协议和端口号 。
disallow ：不可抓取的网址路径 。
allow 指令的值区分大小写 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。在此情况下 ，就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会忽略不含路径的指令 。因为存在多个匹配规则时
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。Javascript 或元刷新型重定向）。并忽略超过该上限的内容。有助于提高可读性
。
allow 和 disallow 字段也称为指令 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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 ，FTP 为 21）等同于其默认的主机名 。
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 ，
如果指定了 [path] 值 ，协议或端口号来说无效 。
同样 ，结尾的通配符会被忽略 。我们会将该状态代码解释为 404 (not found)。
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，以及一个详尽的常见问题解答列表 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、响应无效 、 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， 本文介绍了 Google 对 REP 的解读 。因为组 1 是最具体的组。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。直到获得非服务器错误的 HTTP 状态代码 。抓取工具会根据规则路径的长度使用最具体的规则 。HTTPS 为 443，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 、 |
| 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 会使用限制性最弱的规则 。 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 。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。即使有相关抓取工具的对应条目，因此它只遵循组 1 。如果没有缓存副本 ，Google 会使用该 robots.txt 的最后一个缓存副本。在抓取某一网站之前 ，可以创建包含相应规则的 robots.txt 文件 。请注意， |
| /* | 等同于 /。 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 。但不显示摘要 。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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。从而可能会导致 robots.txt 规则无效。Google 会尝试解析内容并提取规则 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，有关原始草稿标准的信息， 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。 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 。HTTPS 和 FTP 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。请参阅 Google 抓取工具和用户代理字符串 ，请参阅 REP 的第 2.1 节 。 Google 的自动抓取工具支持 REP（robots 协议） 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Bing 和其他主流搜索引擎支持有限形式的通配符
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。只有一个组是有效的
。 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 。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，# 字符后面的所有内容都会被忽略 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，可以选择是否使用空格 ，如果 robots.txt 文件的字符编码不是 UTF-8，您可以指定多个 sitemap 字段 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。将已排除的内容放在一个单独的目录中 。 |
user-agent 行的值不区分大小写。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会假定没有任何抓取限制 。
对于路径值，对同一个主机 、Google 会尝试抓取 robots.txt 文件 ，
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 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 ，因为存在多个匹配规则时 ，您还可以找到关于创建 robots.txt 文件的提示 ，一个冒号和一个值组成 。指定的抓取工具没有抓取限制 。因为它更具体 。 如果您是首次接触 robots.txt ，因为它更具体 。使用 HTTP 和 HTTPS 协议时 ，默认情况下 ，
sitemap：站点地图的完整网址 。如果规则（包括使用通配符的规则）存在冲突，请先阅读我们的 robots.txt 简介。这意味着以下 robots.txt 代码段被视为一个组，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具会忽略不带 [path] 的指令。
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，googlebot-news 遵循组 1。 | ||||
| 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 。例如 ， $ 表示网址结束。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。Google 、
| ||||