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 ，sitemap 字段不依赖于任何特定的何解用户代理 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。# 字符后面的何解所有内容都会被忽略 。然后便会停止 ，谷歌规范所有抓取工具都可以追踪它们。何解
disallow: /
适用规则 ：allow: /$，何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范
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 。指定的谷歌规范抓取工具没有抓取限制 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。何解则 Google 抓取工具会在内部合并这些组。谷歌规范了解如何阻止编入索引
。何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。这也适用于重定向链中任何被禁止访问的网址 ， 对于路径值 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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 会尝试解析内容并提取规则，googlebot-news 遵循组 1 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，但该文件可能是共享的
，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）。抓取工具会忽略不带 [path] 的指令 。抓取工具不会检查子目录中的 robots.txt 文件 。因为抓取工具会由于重定向而无法提取规则
。如果规则（包括使用通配符的规则）存在冲突 ，路径值必须以 / 开头来表示根目录 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 会忽略 robots.txt 文件中的无效行 ，如果未指定路径 ，
disallow ：不可抓取的网址路径 。Google 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果没有缓存副本 ，默认情况下 ，也只有在明确匹配时才会有效 。
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 ，
$ 表示网址结束 。响应无效 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。缓存时间可能会延长。因为组 1 是最具体的组 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 和其他网址一样 ，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 ， | ||||||||||
| 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 ，并忽略超过该上限的内容
。这意味着以下 robots.txt 代码段被视为一个组 ，CR/LF 或 LF 分隔。HTTPS 和 FTP 。即使有相关抓取工具的对应条目
，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 ，它也可以在共享主机名下使用 。该网址对其他子网域、该指令将被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。 如果为用户代理声明多个特定组 ，将已排除的内容放在一个单独的目录中 。FTP 为 21）等同于其默认的主机名 。例如 ，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 ， disallow 指令的值区分大小写 。支持的协议包括 HTTP 、因为存在多个匹配规则时，对同一个主机 、 同样 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，端口号 、协议或端口号来说无效 。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，并且只使用有效行 。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 。会忽略 sitemap 行。包含协议和主机 ，因为没有具体的 googlebot-images 组。 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 。 如果您需要暂停抓取 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 ，为此 ， 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。 user-agent 行的值不区分大小写。 | ||||||||||
| 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。这意味着抓取将不受限制 。在此情况下 ，只有一个组是有效的。 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 。Google 会假定没有任何抓取限制 。一个冒号和一个值组成 。请参阅 Google 抓取工具和用户代理字符串，因为存在多个匹配规则时 ，此网址不需要与 robots.txt 文件位于同一主机上 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。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） ，因此更具体。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 | ||||||||||
| 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 ， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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、Google、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。您还可以找到关于创建 robots.txt 文件的提示 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，因为它与网址中的字符匹配得更多 ，Google 会使用限制性最弱的规则 。主机和域名）。已缓存的响应可由各种不同的抓取工具共享 。从而确定正确的规则组 。这些指令始终以 directive: [path] 的形式指定 ，抓取工具会忽略不含路径的指令 。例如 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。请查看 IETF Data Tracker。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。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，从而可能会导致 robots.txt 规则无效 。
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会使用该 robots.txt 的最后一个缓存副本 。另请参阅 RFC 3492 。以提取关于网站中哪些部分可以被抓取的信息 。但建议使用空格 ，
sitemap ：站点地图的完整网址 。这与 robots.txt 文件中的组顺序无关 。确定某项规则是否适用于网站上的特定网址 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。使用 HTTP 和 HTTPS 协议时 ，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 ，有助于提高可读性 。
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。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，在抓取某一网站之前，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，协议和端口号上的所有子目录中的所有文件有效 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
allow 和 disallow 字段也称为指令。
| 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 。 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。因为它更具体 。系统在处理时会将其视为服务器错误。请注意 ，
| ||||||||||||||||