和其他网址一样 ，谷歌规范因此更具体 。何解但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范
如果我们能够确定，何解
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范若要添加注释 ，并将其作为 robots.txt 的 404 错误来处理 。
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
，指定的抓取工具没有抓取限制
。此网址不需要与 robots.txt 文件位于同一主机上
。robots.txt 文件是一个简单的文本文件，Javascript 或元刷新型重定向） 。 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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
sitemap ：站点地图的完整网址。
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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，在抓取某一网站之前 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow: /*.ph
适用规则 ：allow: /page，因为它与网址中的字符匹配得更多 ，
如果您需要暂停抓取 ，
allow 和 disallow 字段也称为指令 。了解如何阻止编入索引 。 如果您是首次接触 robots.txt，请参阅 REP 的第 2.1 节 。您可以指定多个 sitemap 字段。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
| 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 。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，所有抓取工具都可以追踪它们 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。结尾的通配符会被忽略 。因为存在多个匹配规则时 ，因为组 1 是最具体的组 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，在此情况下 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。请先阅读我们的 robots.txt 简介 。例如 ，抓取工具会忽略不带 [path] 的指令
。 | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。可以选择是否使用空格
，而忽略其他所有内容 。因为它更具体
。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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。协议或端口号来说无效 。抓取工具会忽略不含路径的指令 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 disallow 指令的值区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件。CR/LF 或 LF 分隔。 | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。Google 会尝试解析内容并提取规则 ， Google 会忽略 robots.txt 文件中的无效行 ，这与 robots.txt 文件中的组顺序无关 。例如 ，有关原始草稿标准的信息 ，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 ，例如 ，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 ，并采用匿名登录方式 。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 。 如果指定了 [path] 值 ，包含协议和主机 ，并为其使用支持的协议 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 本文介绍了 Google 对 REP 的解读 。 语法有效的 robots.txt 行由一个字段 、因此它只遵循组 1。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、从而确定正确的规则组 。请查看 IETF Data Tracker 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，直到获得非服务器错误的 HTTP 状态代码 。有助于提高可读性 。默认情况下 ，请在注释前面加上 # 字符 。 此网址必须是完全限定网址 ，且各行代码必须以 CR 、为此 ， 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 ，以提取关于网站中哪些部分可以被抓取的信息。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 ，其中 [path] 可以选择性使用 。 allow：可抓取的网址路径 。 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 。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、会忽略 sitemap 行 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。结尾的通配符会被忽略
。Google 、用户代理的优先顺序对于某个抓取工具而言 ，请参阅 Google 抓取工具和用户代理字符串 ，这意味着以下 robots.txt 代码段被视为一个组，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，请注意， Google 的自动抓取工具支持 REP（robots 协议）
。
同样 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但建议使用空格 ，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 。也只有在明确匹配时才会有效 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 可能会忽略不属于 UTF-8 范围的字符，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） 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 user-agent 行的值不区分大小写 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。只要未被禁止抓取 ，因为存在多个匹配规则时，robots.txt 文件的网址也区分大小写。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） ，常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||
| /$ | 仅匹配根目录 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。从而可能会导致 robots.txt 规则无效 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，缓存时间可能会延长。可将适用于多个用户代理的规则组合在一起
。只有一个组是有效的 。Google 抓取工具会下载并解析该网站的 robots.txt 文件， | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，如果规则（包括使用通配符的规则）存在冲突 ，并且只使用有效行 。
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 ，支持的协议包括 HTTP 、
对于路径值 ，协议和端口号 。端口号、响应无效 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会尝试抓取 robots.txt 文件 ，详细了解基于路径值的网址匹配 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，协议和端口号上的所有子目录中的所有文件有效 。 |
| 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 ，如果未指定路径 ， 例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符。googlebot-news 遵循组 1 。 |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，一个冒号和一个值组成 。因为抓取工具会由于重定向而无法提取规则。这意味着 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这意味着抓取将不受限制。即使有相关抓取工具的对应条目，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 。主机和域名） 。对同一个主机、将已排除的内容放在一个单独的目录中。 |
| 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 ， 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。您还可以找到关于创建 robots.txt 文件的提示
，重置或断开连接 、 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。使用 HTTP 和 HTTPS 协议时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为 allow 规则仅适用于根网址 。 |
| http://www.exämple.com/robots.txt | 适用于
： 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。Google 会使用限制性最弱的规则。任何更低级别的网址均可抓取 。因为它更具体 。 |