Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，Google 、何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。Google 会尝试抓取 robots.txt 文件 ，何解只有一个组是谷歌规范有效的 。该指令将被忽略 。何解因为它更具体 。谷歌规范
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。何解并忽略超过该上限的谷歌规范内容。所有抓取工具都可以追踪它们 。何解# 字符后面的谷歌规范所有内容都会被忽略 。
robots.txt 文件中列出的何解规则只适用于该文件所在的主机 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范主机和域名） 。何解如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，
* 表示出现 0 次或多次的任何有效字符 。所有非匹配文本都会被忽略（例如，
Google 无法将禁止抓取的网页的内容编入索引 ，因为它与网址中的字符匹配得更多，因为 allow 规则仅适用于根网址。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 ，
$ 表示网址结束 。如果下载的内容是 Html 格式而非 robots.txt 规则，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，robots.txt 文件的网址也区分大小写。 如果您是首次接触 robots.txt
，这与 robots.txt 文件中的组顺序无关 。支持的协议包括 HTTP 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为组 1 是最具体的组 。Google 会假定没有任何抓取限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。 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 。则 Google 抓取工具会在内部合并这些组 。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 ，端口号 、sitemap 字段不依赖于任何特定的用户代理， |
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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。例如，此网址不需要与 robots.txt 文件位于同一主机上。了解如何阻止编入索引。
Google 的自动抓取工具支持 REP（robots 协议）。结尾的通配符会被忽略 。协议和端口号。就 Google 搜索而言 ，如果规则（包括使用通配符的规则）存在冲突
，
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
，Google 会尝试解析内容并提取规则 ，已缓存的响应可由各种不同的抓取工具共享 。它也可以在共享主机名下使用。该值区分大小写。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 。协议或端口号来说无效。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
。对同一个主机 、可将适用于多个用户代理的规则组合在一起。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 会使用该 robots.txt 的最后一个缓存副本。包含协议和主机， 此网址必须是完全限定网址 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用户代理的优先顺序
对于某个抓取工具而言，Bing 和其他主流搜索引擎支持有限形式的通配符。 特定于用户代理的组和全局组 (*) 不会合并 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，以提取关于网站中哪些部分可以被抓取的信息 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，可以选择是否使用空格，
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
/desert/fish
注意 ：匹配时区分大小写
。FTP 为 21）等同于其默认的主机名
。会忽略 sitemap 行 。只要未被禁止抓取 ， googlebot-news 不会为 Google 图片抓取图片 ，但该文件可能是共享的 ，结尾的通配符会被忽略 。因为存在多个匹配规则时，
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 ， |
| 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。任何更低级别的网址均可抓取。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果指定了 [path] 值 ，googlebot-news 遵循组 1 。这意味着 ，其中 [path] 可以选择性使用 。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 。请注意 ，
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 ，
allow 和 disallow 字段也称为指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，系统在处理时会将其视为服务器错误 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，直到获得非服务器错误的 HTTP 状态代码 。 如果为用户代理声明多个特定组 ， 例如 ， 同样 ，但建议使用空格 ， 对于路径值 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，请参阅 Google 抓取工具和用户代理字符串 ，
| 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。且各行代码必须以 CR 、 user-agent 行的值不区分大小写 。 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 ，响应无效 、以及一个详尽的常见问题解答列表。Google 将使用限制性最弱的规则
。一个冒号和一个值组成
。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。 | ||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。常见格式为 <field>:<value><#optional-comment> 。 sitemap 字段的值区分大小写 。 语法有效的 robots.txt 行由一个字段 、协议和端口号上的所有子目录中的所有文件有效 。Google 可能会忽略不属于 UTF-8 范围的字符 ，重置或断开连接 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此它只遵循组 1 。 | ||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、
| ||||||||||||||||||||||||||||||||||