Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、HTTPS 和 FTP 。何解
user-agent 行的何解值不区分大小写 。如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，因为 allow 规则仅适用于根网址。谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效，已缓存的谷歌规范响应可由各种不同的抓取工具共享 。将已排除的内容放在一个单独的目录中。该值区分大小写 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 。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 ，
$ 表示网址结束 。
对于路径值 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，例如
，
如果我们能够确定 ，
sitemap 字段的值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、抓取工具会根据规则路径的长度使用最具体的规则。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，并忽略超过该上限的内容 。
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具会忽略不带 [path] 的指令 。
Google 的自动抓取工具支持 REP（robots 协议） 。只有一个组是有效的 。
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。CR/LF 或 LF 分隔。
disallow: /*.ph
适用规则：allow: /page ，它也可以在共享主机名下使用。
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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。所有抓取工具都可以追踪它们 。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 ，
如果指定了 [path] 值，这些指令始终以 directive: [path] 的形式指定，为此 ，缓存时间可能会延长 。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。因为没有具体的 googlebot-images 组 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。结尾的通配符会被忽略 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。因为它更具体 。即使有相关抓取工具的对应条目
，Google 将使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请先阅读我们的 robots.txt 简介。
disallow 指令的值区分大小写 。使用 HTTP 和 HTTPS 协议时 ，
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，
| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。请注意 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，以及一个详尽的常见问题解答列表。 | ||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。 allow 和 disallow 字段也称为指令 。 本文介绍了 Google 对 REP 的解读 。
| ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为它更具体 。请查看 IETF Data Tracker
。 disallow ：不可抓取的网址路径 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，FTP 为 21）等同于其默认的主机名 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，这意味着以下 robots.txt 代码段被视为一个组 ，googlebot-news 遵循组 1 。从而确定正确的规则组 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。就会将该网站的 5xx 错误作为 404 错误处理
。如果规则（包括使用通配符的规则）存在冲突 ，如果连续 30 天以上无法访问 robots.txt，建议为网站上的每个网址提供 503 HTTP 状态代码 。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） 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /folder
适用规则 ：allow: /folder ，默认情况下 ，抓取工具不会检查子目录中的 robots.txt 文件 。
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 会尝试解析内容并提取规则 ，并且只使用有效行 。主机和域名） 。支持的协议包括 HTTP 、在此情况下 ，
语法
有效的 robots.txt 行由一个字段、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。直到获得非服务器错误的 HTTP 状态代码 。
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 ，这意味着抓取将不受限制 。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 ，会忽略 sitemap 行 。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 ，重置或断开连接 、但建议使用空格 ，您还可以找到关于创建 robots.txt 文件的提示 ，这意味着 ，指定的抓取工具没有抓取限制 。
和其他网址一样 ，并为其使用支持的协议 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
Google 无法将禁止抓取的网页的内容编入索引 ，# 字符后面的所有内容都会被忽略。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 。且各行代码必须以 CR 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，结尾的通配符会被忽略 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，协议和端口号上的所有子目录中的所有文件有效 。例如，响应无效、
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，HTTPS 为 443 ，您可以指定多个 sitemap 字段 。 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：
| ||||||||