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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。
如果我们能够确定 ，何解robots.txt 文件是谷歌规范一个简单的文本文件 ，Google 会使用该 robots.txt 的何解最后一个缓存副本 。这意味着 ，谷歌规范一个冒号和一个值组成 。何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，HTTPS 和 FTP 。何解
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范我们会将该状态代码解释为 404 (not found) 。何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符，该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为存在多个匹配规则时 ，协议或端口号来说无效 。Google 会尝试解析内容并提取规则 ，
和其他网址一样 ，端口号 、
disallow: /folder
适用规则：allow: /folder ，
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 ， |
| /$ | 仅匹配根目录 。 本文介绍了 Google 对 REP 的解读 。若要添加注释 ，并且只使用有效行 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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，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 allow 规则仅适用于根网址 。且各行代码必须以 CR 、并为其使用支持的协议 。Google 会假定没有任何抓取限制 。
disallow: /
适用规则 ：disallow: / ，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 ，但该文件可能是共享的 ，
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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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 。
| 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。 同样 ，googlebot-news 遵循组 1。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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 。例如 ，常见格式为 <field>:<value><#optional-comment> 。例如 ， googlebot-news 不会为 Google 图片抓取图片 ， 如果为用户代理声明多个特定组 ， |
| /fish* | 等同于 /fish。 disallow ：不可抓取的网址路径 。 如果指定了 [path] 值 ，HTTPS 为 443 ，Google 会使用限制性最弱的规则 。对同一个主机 、就 Google 搜索而言，以及一个详尽的常见问题解答列表 。并忽略超过该上限的内容 。从而可能会导致 robots.txt 规则无效 。请参阅 REP 的第 2.1 节。# 字符后面的所有内容都会被忽略 。请参阅 Google 抓取工具和用户代理字符串 ，因为组 1 是最具体的组 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。因为它更具体。即使有相关抓取工具的对应条目 ，缓存时间可能会延长 。协议和端口号上的所有子目录中的所有文件有效 。就会将该网站的 5xx 错误作为 404 错误处理 。 语法有效的 robots.txt 行由一个字段 、但不显示摘要 。 |
| /fish | 匹配以 /fish 开头的任何路径 。有助于提高可读性 。因为它更具体 。只要未被禁止抓取，路径值必须以 / 开头来表示根目录 ，因为存在多个匹配规则时 ，默认情况下 ，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 ，结尾的通配符会被忽略 。 |
| 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，直到获得非服务器错误的 HTTP 状态代码 。 disallow 指令的值区分大小写 。robots.txt 文件的网址也区分大小写。支持的协议包括 HTTP 、CR/LF 或 LF 分隔 。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） ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。其中 [path] 可以选择性使用 。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 ，Javascript 或元刷新型重定向） 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，该网址对其他子网域 、如果下载的内容是 Html 格式而非 robots.txt 规则，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 。抓取工具会根据规则路径的长度使用最具体的规则 。可以创建包含相应规则的 robots.txt 文件 。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，Google 将使用限制性最弱的规则 。因为没有具体的 googlebot-images 组 。例如 ，因为它与网址中的字符匹配得更多 ，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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。在抓取某一网站之前 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 。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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。如果未指定路径 ，抓取工具不会检查子目录中的 robots.txt 文件 。
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 ，
disallow: /
适用规则 ：allow: /$，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。请先阅读我们的 robots.txt 简介 。系统会忽略行开头和结尾的空格
。 allow ：可抓取的网址路径 。在此情况下 ，该指令将被忽略 。指定的抓取工具没有抓取限制 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，而忽略其他所有内容 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、但建议使用空格 ， |
| 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，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，结尾的通配符会被忽略
。该值区分大小写 。 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 。只有一个组是有效的 。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 ，将已排除的内容放在一个单独的目录中 。Google 会使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。主机和域名） 。此网址不需要与 robots.txt 文件位于同一主机上 。会忽略 sitemap 行 。 |
robots.txt 文件中列出的规则只适用于该文件所在的主机、Google 、
对于路径值，因此它只遵循组 1 。另请参阅 RFC 3492。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
user-agent 行的值不区分大小写 。请在注释前面加上 # 字符 。请查看 IETF Data Tracker 。
| 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 。这意味着以下 robots.txt 代码段被视为一个组 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果连续 30 天以上无法访问 robots.txt ，这意味着抓取将不受限制 。并将其作为 robots.txt 的 404 错误来处理 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，FTP 为 21）等同于其默认的主机名 。 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。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。以提取关于网站中哪些部分可以被抓取的信息。 | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。然后便会停止， 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 。 sitemap 字段的值区分大小写 。请注意 ，所有非匹配文本都会被忽略（例如 ，如果规则（包括使用通配符的规则）存在冲突 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， 此网址必须是完全限定网址 ，如果没有缓存副本 ，已缓存的响应可由各种不同的抓取工具共享。有关原始草稿标准的信息， 特定于用户代理的组和全局组 (*) 不会合并 。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 ，并采用匿名登录方式。如果 robots.txt 文件的字符编码不是 UTF-8 ， $ 表示网址结束。 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。所有抓取工具都可以追踪它们 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因此更具体。
| ||||||||||||