Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，例如 ，何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，
用户代理的何解优先顺序
对于某个抓取工具而言 ，
Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，例如 ，何解Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。如果未指定路径 ，何解您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。就会将该网站的何解 5xx 错误作为 404 错误处理。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。这些指令始终以 directive: [path] 的何解形式指定 ，该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
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 。
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。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，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，协议和端口号上的所有子目录中的所有文件有效。您还可以找到关于创建 robots.txt 文件的提示 ，
Google 的自动抓取工具支持 REP（robots 协议） 。例如，建议为网站上的每个网址提供 503 HTTP 状态代码 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
allow ：可抓取的网址路径 。若要添加注释 ， googlebot-news 不会为 Google 图片抓取图片，Google 会尝试抓取 robots.txt 文件 ， 特定于用户代理的组和全局组 (*) 不会合并。
| 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 。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 。Google 会使用限制性最弱的规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具不会检查子目录中的 robots.txt 文件。指定的抓取工具没有抓取限制 。
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 ，请注意 ，
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: /folder
适用规则：allow: /folder ，已缓存的响应可由各种不同的抓取工具共享 。系统会忽略行开头和结尾的空格 。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 ，
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 。并忽略超过该上限的内容 。对同一个主机 、另请参阅 RFC 3492 。其他组会被忽略。以提取关于网站中哪些部分可以被抓取的信息 。因此它只遵循组 1 。请参阅 REP 的第 2.1 节。结尾的通配符会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
sitemap ：站点地图的完整网址 。
* 表示出现 0 次或多次的任何有效字符
。 例如
，支持的协议包括 HTTP、直到获得非服务器错误的 HTTP 状态代码 。抓取工具会根据规则路径的长度使用最具体的规则
。但可能仍会将其网址编入索引并将其显示在搜索结果中，因为没有具体的 googlebot-images 组 。该值区分大小写。
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
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
robots.txt 文件中列出的规则只适用于该文件所在的主机、因此更具体 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。详细了解基于路径值的网址匹配 。
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 。只有一个组是有效的 。
如果您需要暂停抓取 ，
allow 指令的值区分大小写 。我们会将该状态代码解释为 404 (not found)。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 ，
$ 表示网址结束 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTPS 和 FTP 。如果 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具会忽略不带 [path] 的指令。因为抓取工具会由于重定向而无法提取规则 。
本文介绍了 Google 对 REP 的解读 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，googlebot-news 遵循组 1 。且无需进行网址编码 。这与 robots.txt 文件中的组顺序无关。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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。使用 HTTP 和 HTTPS 协议时，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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） 。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，
同样 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。robots.txt 文件的网址也区分大小写 。
disallow ：不可抓取的网址路径 。FTP 为 21）等同于其默认的主机名 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，可以创建包含相应规则的 robots.txt 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，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，可将适用于多个用户代理的规则组合在一起 。且各行代码必须以 CR 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。会忽略 sitemap 行。HTTPS 为 443 ，该网址对其他子网域、因为存在多个匹配规则时，这意味着以下 robots.txt 代码段被视为一个组， 此网址必须是完全限定网址 ，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。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 会尝试解析内容并提取规则 ，这意味着抓取将不受限制
。因为组 1 是最具体的组 。 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 。就 Google 搜索而言 ， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 如果指定了 [path] 值 ，您可以指定多个 sitemap 字段 。因为它与网址中的字符匹配得更多，
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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，因为存在多个匹配规则时 ， | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、语法有效的 robots.txt 行由一个字段、 user-agent 行的值不区分大小写 。其中 [path] 可以选择性使用 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，# 字符后面的所有内容都会被忽略 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2，所有抓取工具都可以追踪它们 。例如 ，该指令将被忽略。此网址不需要与 robots.txt 文件位于同一主机上 。则 Google 抓取工具会在内部合并这些组
。抓取工具会使用标准 RETR (RETRIEVE) 命令，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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），系统在处理时会将其视为服务器错误
。
| ||||||||||