这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，请先阅读我们的何解 robots.txt 简介。Google 、谷歌规范常见格式为 <field>:<value><#optional-comment>。何解请在注释前面加上 # 字符 。谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解它也可以在共享主机名下使用 。谷歌规范然后便会停止 ，何解
disallow 指令的谷歌规范值区分大小写 。有助于提高可读性 。何解
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
allow ：可抓取的网址路径。503 (service unavailable) 错误会导致非常频繁的重试操作 。其他组会被忽略。只要未被禁止抓取 ，抓取工具不会检查子目录中的 robots.txt 文件 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 将使用限制性最弱的规则 。
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，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。我们会将该状态代码解释为 404 (not found)。此网址不需要与 robots.txt 文件位于同一主机上 。
Google 会忽略 robots.txt 文件中的无效行，
Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会忽略不含路径的指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，就 Google 搜索而言，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。
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 。请查看 IETF Data Tracker
。并忽略超过该上限的内容 。建议为网站上的每个网址提供 503 HTTP 状态代码 。因此它只遵循组 1 。 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。协议和端口号 。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，从而可能会导致 robots.txt 规则无效。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
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。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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，对同一个主机 、支持的协议包括 HTTP 、这与 robots.txt 文件中的组顺序无关。请参阅 Google 抓取工具和用户代理字符串 ，
user-agent 行的值不区分大小写。则 Google 抓取工具会在内部合并这些组。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 ，直到获得非服务器错误的 HTTP 状态代码 。Google 会假定没有任何抓取限制 。并为其使用支持的协议 。HTTPS 和 FTP 。该指令将被忽略 。Google 会使用限制性最弱的规则 。
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 。在此情况下 ，因此更具体 。该网址对其他子网域 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。HTTPS 为 443，系统会忽略行开头和结尾的空格 。缓存时间可能会延长 。
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， | ||||||||||||||||
| /$ | 仅匹配根目录 。请参阅 REP 的第 2.1 节。
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 ，结尾的通配符会被忽略。响应无效、 对于路径值，因为它更具体 。 Google 的自动抓取工具支持 REP（robots 协议） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。例如 ， | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。Javascript 或元刷新型重定向）
。可将适用于多个用户代理的规则组合在一起
。Google 会使用限制性最弱的规则。确定某项规则是否适用于网站上的特定网址 。 $ 表示网址结束 。在抓取某一网站之前 ，该值区分大小写 。robots.txt 文件的网址也区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、结尾的通配符会被忽略。# 字符后面的所有内容都会被忽略。即使有相关抓取工具的对应条目 ，抓取工具会忽略不带 [path] 的指令
。例如，
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 ，抓取工具会根据规则路径的长度使用最具体的规则。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，如果没有缓存副本
，例如 ，
如果您需要暂停抓取 ，就会将该网站的 5xx 错误作为 404 错误处理
。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）。会忽略 sitemap 行。若要添加注释 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
和其他网址一样 ， 此网址必须是完全限定网址 ，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） ，
disallow: /folder
适用规则 ：allow: /folder ，
disallow: /
适用规则：disallow: / ，以提取关于网站中哪些部分可以被抓取的信息 。
disallow: /
适用规则：allow: /$，
allow 指令的值区分大小写 。Google 会尝试抓取 robots.txt 文件 ，以及一个详尽的常见问题解答列表 。已缓存的响应可由各种不同的抓取工具共享 。一个冒号和一个值组成 。系统在处理时会将其视为服务器错误 。
disallow ：不可抓取的网址路径 。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 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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，将已排除的内容放在一个单独的目录中 。
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，
如果我们能够确定
，
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 ，
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。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 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，协议和端口号上的所有子目录中的所有文件有效 。而忽略其他所有内容 。如果 robots.txt 文件的字符编码不是 UTF-8 ，了解如何阻止编入索引 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。重置或断开连接 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
同样 ，
sitemap 字段的值区分大小写 。但该文件可能是共享的 ，这也适用于重定向链中任何被禁止访问的网址 ，您还可以找到关于创建 robots.txt 文件的提示 ，且无需进行网址编码 。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 ， googlebot-news 不会为 Google 图片抓取图片，主机和域名） 。robots.txt 文件是一个简单的文本文件 ，端口号、默认情况下 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 可能会忽略不属于 UTF-8 范围的字符 ，并将其作为 robots.txt 的 404 错误来处理 。
| 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
。这意味着以下 robots.txt 代码段被视为一个组
，使用 HTTP 和 HTTPS 协议时 ，因为它更具体。 如果为用户代理声明多个特定组 ，任何更低级别的网址均可抓取 。从而确定正确的规则组 。Google 会使用该 robots.txt 的最后一个缓存副本。请注意，指定的抓取工具没有抓取限制 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。但不显示摘要
。 | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 如果指定了 [path] 值 ，包含协议和主机 ，例如 ，Google、 sitemap ：站点地图的完整网址 。 | ||||||||||
| 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 。因为存在多个匹配规则时
，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 、googlebot-news 遵循组 1 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。这意味着 ，如果未指定路径 ，另请参阅 RFC 3492 。
| ||||||||||