allow 指令的谷歌规范值区分大小写 。robots.txt 文件的何解网址也区分大小写。如果连续 30 天以上无法访问 robots.txt，谷歌规范有关原始草稿标准的何解信息 ，
disallow
：不可抓取的谷歌规范网址路径 。如果没有缓存副本，何解并将其作为 robots.txt 的谷歌规范 404 错误来处理。
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时，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 ，谷歌规范# 字符后面的何解所有内容都会被忽略 。因为存在多个匹配规则时 ，谷歌规范协议和端口号 。何解任何更低级别的谷歌规范网址均可抓取 。如果未指定路径，
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 ，例如 ，
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 。
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 ：
| 每个抓取工具追踪的组 | |||||||||||||||
| Googlebot News | googlebot-news 遵循组 1
，建议为网站上的每个网址提供 503 HTTP 状态代码。Javascript 或元刷新型重定向）
。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，包含协议和主机 ， | ||||||||||||||
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 。Google 会假定没有任何抓取限制 。指定的抓取工具没有抓取限制 。其他组会被忽略。系统在处理时会将其视为服务器错误 。FTP 为 21）等同于其默认的主机名 。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） 。为此 ，抓取工具会忽略不含路径的指令 。 googlebot-news 不会为 Google 图片抓取图片 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ，常见格式为 <field>:<value><#optional-comment> 。可以创建包含相应规则的 robots.txt 文件 。就 Google 搜索而言，请在注释前面加上 # 字符 。因此更具体 。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 ，且各行代码必须以 CR 、
同样 ，这意味着，
如果指定了 [path] 值，
用户代理的优先顺序
对于某个抓取工具而言 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
sitemap 字段的值区分大小写 。 如果您是首次接触 robots.txt ， 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。并且只使用有效行 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。也只有在明确匹配时才会有效。有助于提高可读性。系统会忽略行开头和结尾的空格 。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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 。googlebot-news 遵循组 1 。抓取工具会忽略不带 [path] 的指令 。这与 robots.txt 文件中的组顺序无关 。可将适用于多个用户代理的规则组合在一起 。
语法
有效的 robots.txt 行由一个字段 、Google 、请参阅 REP 的第 2.1 节 。
Google 的自动抓取工具支持 REP（robots 协议） 。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，这些指令始终以 directive: [path] 的形式指定 ，已缓存的响应可由各种不同的抓取工具共享 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，但该文件可能是共享的 ，您还可以找到关于创建 robots.txt 文件的提示 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具不会检查子目录中的 robots.txt 文件 。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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
如果为用户代理声明多个特定组 ，并忽略超过该上限的内容 。
和其他网址一样 ，
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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。该网址对其他子网域 、HTTPS 和 FTP 。结尾的通配符会被忽略。Google 会尝试抓取 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
对于路径值 ，并采用匿名登录方式 。sitemap 字段不依赖于任何特定的用户代理，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。会忽略 sitemap 行
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。端口号、
disallow: /folder
适用规则 ：allow: /folder，响应无效 、即使有相关抓取工具的对应条目 ，则 Google 抓取工具会在内部合并这些组 。
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
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 robots.txt 文件的字符编码不是 UTF-8 ，如果规则（包括使用通配符的规则）存在冲突 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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
，
| 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 。 本文介绍了 Google 对 REP 的解读 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， | ||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， allow：可抓取的网址路径 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。另请参阅 RFC 3492。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，请参阅 Google 抓取工具和用户代理字符串 ，只要未被禁止抓取 ，从而可能会导致 robots.txt 规则无效 。所有非匹配文本都会被忽略（例如 ，路径值必须以 / 开头来表示根目录 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，若要添加注释 ，CR/LF 或 LF 分隔 。可以选择是否使用空格 ，但不显示摘要 。它也可以在共享主机名下使用 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。且无需进行网址编码 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。因此它只遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理 。将已排除的内容放在一个单独的目录中。抓取工具会根据规则路径的长度使用最具体的规则 。Google 、 | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、这意味着以下 robots.txt 代码段被视为一个组 ，HTTPS 为 443 ，因为它更具体 。使用 HTTP 和 HTTPS 协议时，Google 会使用限制性最弱的规则 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具会使用标准 RETR (RETRIEVE) 命令， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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，详细了解基于路径值的网址匹配 。默认情况下 ， Google 会忽略 robots.txt 文件中的无效行 ，确定某项规则是否适用于网站上的特定网址 。在此情况下 ， sitemap ：站点地图的完整网址
。 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 | ||||||||||