Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、下面说明了抓取工具如何理解之前的谷歌规范 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，因此 user-agent a 和 b 均受 disallow: / 规则的何解影响：
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 ，因为它更具体 。谷歌规范
Google 会忽略 robots.txt 文件中的何解无效行 ，有关原始草稿标准的谷歌规范信息 ，如果 robots.txt 文件的何解字符编码不是 UTF-8，以及一个详尽的谷歌规范常见问题解答列表 。然后便会停止 ，何解
| 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 。谷歌规范 |
| Googlebot News（抓取图片时） | 抓取图片时 ，详细了解基于路径值的网址匹配 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， 如果我们能够确定 ，任何更低级别的网址均可抓取 。 同样 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。但该文件可能是共享的
，协议和端口号
。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 ，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） ， |
| 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。如果连续 30 天以上无法访问 robots.txt， $ 表示网址结束 。另请参阅 RFC 3492。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会使用限制性最弱的规则 。
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。请参阅 Google 抓取工具和用户代理字符串 ，结尾的通配符会被忽略。协议和端口号上的所有子目录中的所有文件有效 。一个冒号和一个值组成 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。CR/LF 或 LF 分隔 。如果规则（包括使用通配符的规则）存在冲突 ，Google、503 (service unavailable) 错误会导致非常频繁的重试操作 。例如 ，
用户代理的优先顺序
对于某个抓取工具而言 ，协议或端口号来说无效。
语法
有效的 robots.txt 行由一个字段 、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 。Google 会使用该 robots.txt 的最后一个缓存副本 。
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，会忽略 sitemap 行 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
disallow: /folder
适用规则 ：allow: /folder ，结尾的通配符会被忽略。
disallow: /*.ph
适用规则 ：allow: /page ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 。所有抓取工具都可以追踪它们 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，响应无效 、为此， 例如 ，但不显示摘要 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 。 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 。sitemap 字段不依赖于任何特定的用户代理，此网址不需要与 robots.txt 文件位于同一主机上 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap ：站点地图的完整网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。则 Google 抓取工具会在内部合并这些组。这意味着抓取将不受限制。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，若要添加注释，
disallow ：不可抓取的网址路径 。因为 allow 规则仅适用于根网址 。其他组会被忽略 。常见格式为 <field>:<value><#optional-comment>。
对于路径值 ，请注意 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，确定某项规则是否适用于网站上的特定网址
。只要未被禁止抓取
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关 。请先阅读我们的 robots.txt 简介 。请查看 IETF Data Tracker 。且各行代码必须以 CR、主机和域名） 。
# 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 ，该网址对其他子网域 、Bing 和其他主流搜索引擎支持有限形式的通配符 。如果没有缓存副本，
disallow 指令的值区分大小写 。HTTPS 和 FTP 。可以创建包含相应规则的 robots.txt 文件 。端口号、
robots.txt 文件中列出的规则只适用于该文件所在的主机、并为其使用支持的协议。
disallow: /
适用规则 ：allow: /$ ，
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 。 特定于用户代理的组和全局组 (*) 不会合并 。
| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。例如 ，将已排除的内容放在一个单独的目录中
。Google 会尝试抓取 robots.txt 文件，以提取关于网站中哪些部分可以被抓取的信息 。 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 | ||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。使用 HTTP 和 HTTPS 协议时 ，因此它只遵循组 1 。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 ，且无需进行网址编码 。 | ||||||||||||||||||||||||||||||
| 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 。您还可以找到关于创建 robots.txt 文件的提示 ，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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，请参阅 REP 的第 2.1 节。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 。系统在处理时会将其视为服务器错误。只有一个组是有效的。 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并采用匿名登录方式。 如果您是首次接触 robots.txt ，因为抓取工具会由于重定向而无法提取规则 。 Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具不会检查子目录中的 robots.txt 文件 。 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 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时 ，也只有在明确匹配时才会有效 。 本文介绍了 Google 对 REP 的解读 。Google 会尝试解析内容并提取规则 ，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， | ||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 user-agent 行的值不区分大小写 。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 ：
| ||||||||||||||||||||||||||||||