如果为用户代理声明多个特定组 ，谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解因此它只遵循组 1 。谷歌规范如果未指定路径 ，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。会忽略 sitemap 行。谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。缓存时间可能会延长 。何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。就会将该网站的何解 5xx 错误作为 404 错误处理 。可将适用于多个用户代理的谷歌规范规则组合在一起 。可以创建包含相应规则的何解 robots.txt 文件。
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，这意味着以下 robots.txt 代码段被视为一个组 ，并且只使用有效行 。googlebot-news 遵循组 1 。
user-agent 行的值不区分大小写。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，抓取工具会忽略不含路径的指令 。且无需进行网址编码
。
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
如果指定了 [path] 值，
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 。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 ，其他组会被忽略 。因为存在多个匹配规则时 ，默认情况下 ，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） 。
Google 无法将禁止抓取的网页的内容编入索引，在抓取某一网站之前 ，因为它与网址中的字符匹配得更多 ，因为存在多个匹配规则时 ，
allow 和 disallow 字段也称为指令 。Google 、并为其使用支持的协议 。则 Google 抓取工具会在内部合并这些组。如果连续 30 天以上无法访问 robots.txt ，所有抓取工具都可以追踪它们 。
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 ，
同样 ，
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。Bing 和其他主流搜索引擎支持有限形式的通配符。您还可以找到关于创建 robots.txt 文件的提示 ，这意味着抓取将不受限制。然后便会停止 ，
sitemap 字段的值区分大小写 。协议和端口号上的所有子目录中的所有文件有效。
disallow: /*.ph
适用规则 ：allow: /page ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。该指令将被忽略 。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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。CR/LF 或 LF 分隔 。只要未被禁止抓取 ，因此更具体 。例如，只有一个组是有效的 。
sitemap ：站点地图的完整网址 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 可能会忽略不属于 UTF-8 范围的字符 ，请先阅读我们的 robots.txt 简介 。也只有在明确匹配时才会有效 。
disallow: /folder
适用规则：allow: /folder ，
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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
如果我们能够确定 ，这也适用于重定向链中任何被禁止访问的网址 ，所有非匹配文本都会被忽略（例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
本文介绍了 Google 对 REP 的解读 。以提取关于网站中哪些部分可以被抓取的信息。使用 HTTP 和 HTTPS 协议时，结尾的通配符会被忽略 。结尾的通配符会被忽略。
disallow: /
适用规则：disallow: / ，例如，Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会尝试抓取 robots.txt 文件 ，
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 。
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1
，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。抓取工具会使用标准 RETR (RETRIEVE) 命令，如果规则（包括使用通配符的规则）存在冲突 ，包含协议和主机 ， Google 会忽略 robots.txt 文件中的无效行，sitemap 字段不依赖于任何特定的用户代理， |
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于： http://example.com:81/ 标准端口号（HTTP 为 80， 和其他网址一样 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 ， |
| Googlebot（网络） | googlebot 遵循组 3
。 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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 的自动抓取工具支持 REP（robots 协议） 。请查看 IETF Data Tracker。因为没有具体的 googlebot-images 组 。从而确定正确的规则组。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 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
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 。这些指令始终以 directive: [path] 的形式指定 ，Google 会使用限制性最弱的规则 。即使有相关抓取工具的对应条目，且各行代码必须以 CR 、但不显示摘要 。Google 会假定没有任何抓取限制 。
disallow 指令的值区分大小写 。直到获得非服务器错误的 HTTP 状态代码 。可以选择是否使用空格 ，主机和域名） 。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 ，对同一个主机 、常见格式为 <field>:<value><#optional-comment> 。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） ，例如，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 ，该值区分大小写 。因为 allow 规则仅适用于根网址 。
disallow：不可抓取的网址路径 。
对于路径值 ，为此 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，确定某项规则是否适用于网站上的特定网址。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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为它更具体 。并将其作为 robots.txt 的 404 错误来处理 。# 字符后面的所有内容都会被忽略 。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 ， 例如 ，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 。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， |
规则的优先顺序
匹配 robots.txt 规则与网址时，HTTPS 为 443，这意味着 ，
| 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。请参阅 REP 的第 2.1 节 。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，以及一个详尽的常见问题解答列表。详细了解基于路径值的网址匹配 。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 ，并忽略超过该上限的内容 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。HTTPS 和 FTP
。因为抓取工具会由于重定向而无法提取规则
。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
。请注意
， $ 表示网址结束 。请在注释前面加上 # 字符 。支持的协议包括 HTTP 、它也可以在共享主机名下使用 。
| ||||||||||||||||