缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时， 此网址必须是谷歌规范完全限定网址 ，并忽略超过该上限的何解内容。
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。抓取工具会忽略不带 [path] 的何解指令 。获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表 。这意味着 ，何解
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何解规则组 ：
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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，重置或断开连接 、例如 ，您可以指定多个 sitemap 字段 。了解如何阻止编入索引 。如果规则（包括使用通配符的规则）存在冲突 ，
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。请先阅读我们的 robots.txt 简介。请查看 IETF Data Tracker 。有助于提高可读性 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、所有非匹配文本都会被忽略（例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。一个冒号和一个值组成。因为它更具体 。因为存在多个匹配规则时，如果连续 30 天以上无法访问 robots.txt，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 ，
| 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。抓取工具不会检查子目录中的 robots.txt 文件。对同一个主机 、 user-agent 行的值不区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， allow 指令的值区分大小写 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 Google 会忽略 robots.txt 文件中的无效行，robots.txt 文件的网址也区分大小写 。可以选择是否使用空格 ， 例如 ，端口号 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。其他组会被忽略 。 |
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于： http://example.com:81/ 标准端口号（HTTP 为 80 ，确定某项规则是否适用于网站上的特定网址 。因为存在多个匹配规则时， 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 ， 如果您是首次接触 robots.txt ，包含协议和主机 ，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 ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。也只有在明确匹配时才会有效 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。详细了解基于路径值的网址匹配 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，请参阅 Google 抓取工具和用户代理字符串，如果没有缓存副本 ，如果未指定路径 ，结尾的通配符会被忽略 。 |
| /fish* | 等同于 /fish。 disallow ：不可抓取的网址路径。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。该网址对其他子网域 、若要添加注释 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，以提取关于网站中哪些部分可以被抓取的信息 。robots.txt 文件是一个简单的文本文件， 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 ， googlebot-news 不会为 Google 图片抓取图片 ， 如果指定了 [path] 值，您还可以找到关于创建 robots.txt 文件的提示 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，因为没有具体的 googlebot-images 组。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 ， |
| 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。为此 ， sitemap 字段的值区分大小写 。直到获得非服务器错误的 HTTP 状态代码 。 |
| Googlebot（网络） | googlebot 遵循组 3
。 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
。 和其他网址一样
，请在注释前面加上 # 字符 。缓存时间可能会延长
。 |
| 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 。在抓取某一网站之前 ，Google 、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） ，请参阅 REP 的第 2.1 节 。它也可以在共享主机名下使用 。只有一个组是有效的 。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 ，因为 allow 规则仅适用于根网址 。 |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。 语法有效的 robots.txt 行由一个字段 、Google 会使用该 robots.txt 的最后一个缓存副本 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Javascript 或元刷新型重定向） 。 |
| /$ | 仅匹配根目录。 Google 的自动抓取工具支持 REP（robots 协议） 。以及一个详尽的常见问题解答列表 。将已排除的内容放在一个单独的目录中 。抓取工具会忽略不含路径的指令 。常见格式为 <field>:<value><#optional-comment> 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。协议或端口号来说无效 。另请参阅 RFC 3492 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就 Google 搜索而言 ， disallow 指令的值区分大小写 。且无需进行网址编码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ，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 。然后便会停止 ，所有抓取工具都可以追踪它们 。这些指令始终以 directive: [path] 的形式指定， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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、默认情况下 ，503 (service unavailable) 错误会导致非常频繁的重试操作。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 ，系统在处理时会将其视为服务器错误 。从而可能会导致 robots.txt 规则无效 。Bing 和其他主流搜索引擎支持有限形式的通配符 。这意味着抓取将不受限制 。例如 ，
allow 和 disallow 字段也称为指令。
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
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。因为它更具体。因为组 1 是最具体的组 。Google 会使用限制性最弱的规则 。 | ||||||||||||
| 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 ，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 ， | ||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 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 。路径值必须以 / 开头来表示根目录
，协议和端口号上的所有子目录中的所有文件有效 。 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 。因为抓取工具会由于重定向而无法提取规则 。任何更低级别的网址均可抓取 。有关原始草稿标准的信息 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 如果为用户代理声明多个特定组 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用户代理的优先顺序对于某个抓取工具而言 ，但该文件可能是共享的 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，即使有相关抓取工具的对应条目 ， Google 无法将禁止抓取的网页的内容编入索引 ， 同样， 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 ：
| ||||||||||||