缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，请参阅 REP 的何解第 2.1 节。Google、谷歌规范
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谷歌规范规则组 ：
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 ，支持的何解协议包括 HTTP、googlebot-news 遵循组 1 。谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效。会忽略 sitemap 行 。谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。协议和端口号上的所有子目录中的所有文件有效 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，并为其使用支持的协议 。如果连续 30 天以上无法访问 robots.txt ，您可以指定多个 sitemap 字段 。Google 、您还可以找到关于创建 robots.txt 文件的提示 ，请注意 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。响应无效 、
disallow: /folder
适用规则：allow: /folder， 特定于用户代理的组和全局组 (*) 不会合并 。
用户代理的优先顺序
对于某个抓取工具而言 ，
user-agent 行的值不区分大小写 。且各行代码必须以 CR 、该网址对其他子网域 、即使有相关抓取工具的对应条目 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，例如
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、因为它与网址中的字符匹配得更多，结尾的通配符会被忽略 。以及一个详尽的常见问题解答列表 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。建议为网站上的每个网址提供 503 HTTP 状态代码。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为它更具体 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ，我们会将该状态代码解释为 404 (not found) 。但不显示摘要 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突 ，因为存在多个匹配规则时 ，抓取工具会忽略不带 [path] 的指令 。从而确定正确的规则组 。可以创建包含相应规则的 robots.txt 文件。例如 ，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 、 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 ， sitemap ：站点地图的完整网址 。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。有助于提高可读性 。如果未指定路径 ，它也可以在共享主机名下使用 。详细了解基于路径值的网址匹配 。抓取工具会忽略不含路径的指令 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。缓存时间可能会延长。此网址不需要与 robots.txt 文件位于同一主机上 。 例如
，已缓存的响应可由各种不同的抓取工具共享
。 |
| /* | 等同于 / 。然后便会停止，但建议使用空格
，如果 robots.txt 文件的字符编码不是 UTF-8 ， $ 表示网址结束。这些指令始终以 directive: [path] 的形式指定 ，主机和域名） 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。一个冒号和一个值组成 。 |
| Googlebot（网络） | googlebot 遵循组 3 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Javascript 或元刷新型重定向） 。但该文件可能是共享的，可以选择是否使用空格，该指令将被忽略。则 Google 抓取工具会在内部合并这些组 。Google 会假定没有任何抓取限制 。因为它更具体 。路径值必须以 / 开头来表示根目录 ， |
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 ，robots.txt 文件是一个简单的文本文件 ，指定的抓取工具没有抓取限制 。该值区分大小写 。 如果您是首次接触 robots.txt ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
disallow: /*.htm
适用规则：disallow: /*.htm ，这意味着抓取将不受限制。包含协议和主机 ，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）。
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 。因为 allow 规则仅适用于根网址 。并忽略超过该上限的内容 。HTTPS 为 443，
disallow: /
适用规则 ：allow: /$ ，
| 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。就 Google 搜索而言， 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 ，这意味着以下 robots.txt 代码段被视为一个组 ，请先阅读我们的 robots.txt 简介 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，如果没有缓存副本 ，robots.txt 文件的网址也区分大小写 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 allow ：可抓取的网址路径 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 googlebot-news 不会为 Google 图片抓取图片 ，这也适用于重定向链中任何被禁止访问的网址 ，以提取关于网站中哪些部分可以被抓取的信息。 Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用该 robots.txt 的最后一个缓存副本 。从而可能会导致 robots.txt 规则无效 。 语法有效的 robots.txt 行由一个字段 、若要添加注释 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，端口号 、例如，sitemap 字段不依赖于任何特定的用户代理，
如果指定了 [path] 值 ，
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 。
如果您需要暂停抓取，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 ，只有一个组是有效的 。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 ， 和其他网址一样 ，因为没有具体的 googlebot-images 组 。有关原始草稿标准的信息 ，抓取工具会根据规则路径的长度使用最具体的规则 。只要未被禁止抓取 ，为此，所有抓取工具都可以追踪它们 。因为抓取工具会由于重定向而无法提取规则 。并将其作为 robots.txt 的 404 错误来处理 。 disallow 指令的值区分大小写 。 Google 无法将禁止抓取的网页的内容编入索引 ， allow 指令的值区分大小写 。 | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，请查看 IETF Data Tracker 。 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 。 Google 会忽略 robots.txt 文件中的无效行 ，对同一个主机、也只有在明确匹配时才会有效 。 | ||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，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 。 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。并采用匿名登录方式。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||||||
| 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。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， disallow ：不可抓取的网址路径 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，可将适用于多个用户代理的规则组合在一起 。 此网址必须是完全限定网址 ， 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 ：
| ||||||||||||||||||||||