Google 无法将禁止抓取的何解网页的内容编入索引 ，支持的谷歌规范协议包括 HTTP 、此网址不需要与 robots.txt 文件位于同一主机上 。何解
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谷歌规范规则组 ：
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 ，端口号 、何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，所有抓取工具都可以追踪它们。何解这意味着 ，谷歌规范结尾的何解通配符会被忽略 。默认情况下，谷歌规范
示例
user-agent 字段的何解匹配情况
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 ，以及一个详尽的谷歌规范常见问题解答列表 。因为没有具体的何解 googlebot-images 组。 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。该指令将被忽略 。只有一个组是有效的。协议和端口号 。 | ||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，且无需进行网址编码。抓取工具会使用标准 RETR (RETRIEVE) 命令， sitemap：站点地图的完整网址 。但可能仍会将其网址编入索引并将其显示在搜索结果中，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。我们会将该状态代码解释为 404 (not found) 。路径值必须以 / 开头来表示根目录 ，这些指令始终以 directive: [path] 的形式指定， 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 。有关原始草稿标准的信息 ，您可以指定多个 sitemap 字段 。并忽略超过该上限的内容 。Google 会使用限制性最弱的规则。sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，协议和端口号上的所有子目录中的所有文件有效 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、就 Google 搜索而言 ，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 会假定没有任何抓取限制
。googlebot-news 遵循组 1 。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 ，该值区分大小写 。因此它只遵循组 1 。包含协议和主机 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），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 ， | ||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。用户代理的优先顺序对于某个抓取工具而言，若要添加注释 ， 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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，如果没有缓存副本，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 。将已排除的内容放在一个单独的目录中 。一个冒号和一个值组成 。 | ||||||||||||||||||||||||||||||
| 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 ，# 字符后面的所有内容都会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。然后便会停止 ，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 。确定某项规则是否适用于网站上的特定网址 。 语法有效的 robots.txt 行由一个字段 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。主机和域名） 。 | ||||||||||||||||||||||||||||||
| 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。从而确定正确的规则组 。robots.txt 文件是一个简单的文本文件 ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组。 allow 指令的值区分大小写。因为它更具体 。
| ||||||||||||||||||||||||||||||
| 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 ， googlebot-news 不会为 Google 图片抓取图片 ，另请参阅 RFC 3492 。对同一个主机 、所有非匹配文本都会被忽略（例如， disallow ：不可抓取的网址路径 。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 、 和其他网址一样 ，HTTPS 和 FTP。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。其他组会被忽略。结尾的通配符会被忽略 。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 ，响应无效 、robots.txt 文件的网址也区分大小写 。 user-agent 行的值不区分大小写 。因为 allow 规则仅适用于根网址 。 同样 ，FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 例如 ， 如果您是首次接触 robots.txt ，您还可以找到关于创建 robots.txt 文件的提示 ，指定的抓取工具没有抓取限制 。 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。而忽略其他所有内容 。协议或端口号来说无效 。因为它与网址中的字符匹配得更多，因为抓取工具会由于重定向而无法提取规则 。也只有在明确匹配时才会有效 。 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。
Google 的自动抓取工具支持 REP（robots 协议） 。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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Google 、并将其作为 robots.txt 的 404 错误来处理 。其中 [path] 可以选择性使用 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。这与 robots.txt 文件中的组顺序无关 。
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 。请注意 ，了解如何阻止编入索引 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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。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 ，它也可以在共享主机名下使用。
| 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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。503 (service unavailable) 错误会导致非常频繁的重试操作 。 disallow 指令的值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
， | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，抓取工具会忽略不带 [path] 的指令。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） 。 如果为用户代理声明多个特定组 ，CR/LF 或 LF 分隔 。
| ||||||||||||||||