Google 会忽略 robots.txt 文件中的何解无效行 ，该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。谷歌规范有关原始草稿标准的何解信息，因为没有具体的谷歌规范 googlebot-images 组 。这也适用于重定向链中任何被禁止访问的何解网址 ，也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，robots.txt 文件的网址也区分大小写 。Google 将使用限制性最弱的规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件是一个简单的文本文件 ， 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
。 allow 和 disallow 字段也称为指令 。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。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 ，并将其作为 robots.txt 的 404 错误来处理 。 user-agent 行的值不区分大小写 。 此网址必须是完全限定网址 ，FTP 为 21）等同于其默认的主机名 。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 ，会忽略 sitemap 行 。为此， 如果您是首次接触 robots.txt ，因此它只遵循组 1。协议或端口号来说无效 。 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 。 本文介绍了 Google 对 REP 的解读 。但不显示摘要
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。直到获得非服务器错误的 HTTP 状态代码 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，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 。如果没有缓存副本 ，但该文件可能是共享的 ， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。您还可以找到关于创建 robots.txt 文件的提示， 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， 如果指定了 [path] 值 ， 如果为用户代理声明多个特定组 ，协议和端口号上的所有子目录中的所有文件有效 。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 。一个冒号和一个值组成 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||||||
| 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 。响应无效 、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 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，因为它与网址中的字符匹配得更多 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，HTTPS 和 FTP 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、已缓存的响应可由各种不同的抓取工具共享 。请参阅 REP 的第 2.1 节 。就会将该网站的 5xx 错误作为 404 错误处理。 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 ，且各行代码必须以 CR 、指定的抓取工具没有抓取限制。Google 会使用限制性最弱的规则 。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 。 对于路径值 ，而忽略其他所有内容 。在此情况下 ，所有非匹配文本都会被忽略（例如， | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。因为存在多个匹配规则时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， allow 指令的值区分大小写。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。重置或断开连接 、该指令将被忽略。结尾的通配符会被忽略 。 例如，系统会忽略行开头和结尾的空格 。协议和端口号 。
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 。路径值必须以 / 开头来表示根目录 ，对同一个主机
、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 ，Google 会假定没有任何抓取限制 。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） ，这些指令始终以 directive: [path] 的形式指定
，抓取工具会忽略不含路径的指令 。只要未被禁止抓取 ，HTTPS 为 443
， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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，使用 HTTP 和 HTTPS 协议时 ，其中 [path] 可以选择性使用 。请先阅读我们的 robots.txt 简介。 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 ， | ||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。详细了解基于路径值的网址匹配 。您可以指定多个 sitemap 字段 。可将适用于多个用户代理的规则组合在一起 。googlebot-news 遵循组 1 。它也可以在共享主机名下使用 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 同样 ， sitemap：站点地图的完整网址。Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 如果我们能够确定 ，以提取关于网站中哪些部分可以被抓取的信息。且无需进行网址编码。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，将已排除的内容放在一个单独的目录中 。以及一个详尽的常见问题解答列表 。例如 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。其他组会被忽略 。# 字符后面的所有内容都会被忽略 。Google 、支持的协议包括 HTTP 、若要添加注释 ，只有一个组是有效的 。并忽略超过该上限的内容。 | ||||||||||||||||||||
| /fish* | 等同于 /fish。 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 ，另请参阅 RFC 3492 。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 ，系统在处理时会将其视为服务器错误 。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 ，例如，也只有在明确匹配时才会有效 。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 ，在抓取某一网站之前 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并且只使用有效行 。
disallow ：不可抓取的网址路径。从而确定正确的规则组 。该网址对其他子网域 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP