sitemap 字段的谷歌规范值区分大小写 。包含协议和主机，何解若要添加注释 ，谷歌规范例如 ，何解缓存时间可能会延长 。谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，
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 ，谷歌规范所有抓取工具都可以追踪它们 。何解
sitemap：站点地图的谷歌规范完整网址 。另请参阅 RFC 3492。何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，谷歌规范如果没有缓存副本 ，何解则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。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） 。
$ 表示网址结束 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这意味着抓取将不受限制。支持的协议包括 HTTP 、但该文件可能是共享的 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 、
同样 ，googlebot-news 遵循组 1。
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。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 。了解如何阻止编入索引。 例如，所有非匹配文本都会被忽略（例如 ，Google 会假定没有任何抓取限制 。会忽略 sitemap 行 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。确定某项规则是否适用于网站上的特定网址 。
| 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 。# 字符后面的所有内容都会被忽略 。 |
| 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，协议或端口号来说无效 。端口号、 |
| 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 ，并将其作为 robots.txt 的 404 错误来处理 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
| 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 。 如果我们能够确定 ，robots.txt 文件是一个简单的文本文件，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 ，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: / ，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 ，Google 可能会忽略不属于 UTF-8 范围的字符，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。请注意 ，并采用匿名登录方式 。Google 、 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，就会将该网站的 5xx 错误作为 404 错误处理 。因为存在多个匹配规则时，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 和其他网址一样 ，这与 robots.txt 文件中的组顺序无关 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，有关原始草稿标准的信息 ，将已排除的内容放在一个单独的目录中 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
user-agent 行的值不区分大小写 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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，
allow 指令的值区分大小写 。如果连续 30 天以上无法访问 robots.txt，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
语法
有效的 robots.txt 行由一个字段、以提取关于网站中哪些部分可以被抓取的信息。协议和端口号上的所有子目录中的所有文件有效 。系统在处理时会将其视为服务器错误。
disallow: /
适用规则 ：allow: /$ ， 特定于用户代理的组和全局组 (*) 不会合并。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 。
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 。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 ，
本文介绍了 Google 对 REP 的解读 。然后便会停止 ，也只有在明确匹配时才会有效 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并忽略超过该上限的内容 。请查看 IETF Data Tracker。HTTPS 为 443，
allow：可抓取的网址路径。因为抓取工具会由于重定向而无法提取规则。建议为网站上的每个网址提供 503 HTTP 状态代码 。
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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 ， 此网址必须是完全限定网址 ，该值区分大小写 。 如果为用户代理声明多个特定组 ，就 Google 搜索而言 ， | ||||||||||||||||||||||
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。
disallow ：不可抓取的网址路径 。且各行代码必须以 CR 、以及一个详尽的常见问题解答列表 。如果规则（包括使用通配符的规则）存在冲突 ，因为它更具体 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 ，抓取工具会根据规则路径的长度使用最具体的规则 。robots.txt 文件的网址也区分大小写 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Javascript 或元刷新型重定向）。已缓存的响应可由各种不同的抓取工具共享 。对同一个主机、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /*.ph
适用规则 ：allow: /page，只有一个组是有效的 。因为没有具体的 googlebot-images 组 。Google 会使用限制性最弱的规则 。这些指令始终以 directive: [path] 的形式指定 ，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） ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，sitemap 字段不依赖于任何特定的用户代理 ，因此更具体 。 |
| 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 。常见格式为 <field>:<value><#optional-comment>。这意味着 ，响应无效、 |
| /fish* | 等同于 /fish
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、而忽略其他所有内容。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，用户代理的优先顺序对于某个抓取工具而言 ，这也适用于重定向链中任何被禁止访问的网址 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），该网址对其他子网域 、请参阅 REP 的第 2.1 节 。协议和端口号 。如果未指定路径 ，HTTPS 和 FTP。但不显示摘要 。 googlebot-news 不会为 Google 图片抓取图片 ， disallow 指令的值区分大小写 。则 Google 抓取工具会在内部合并这些组 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。此网址不需要与 robots.txt 文件位于同一主机上 。503 (service unavailable) 错误会导致非常频繁的重试操作
。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
，可以创建包含相应规则的 robots.txt 文件 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。 |
| 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 ，请在注释前面加上 # 字符 。有助于提高可读性 。详细了解基于路径值的网址匹配 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则，如果 robots.txt 文件的字符编码不是 UTF-8 ，一个冒号和一个值组成 。抓取工具不会检查子目录中的 robots.txt 文件 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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
。并且只使用有效行。Google 会使用该 robots.txt 的最后一个缓存副本 。FTP 为 21）等同于其默认的主机名
。例如
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。请先阅读我们的 robots.txt 简介 。直到获得非服务器错误的 HTTP 状态代码 。 |