缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，任何更低级别的谷歌规范网址均可抓取 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解然后便会停止 ，谷歌规范且各行代码必须以 CR 、何解会忽略 sitemap 行 。谷歌规范请注意，何解Google 会尝试解析内容并提取规则 ，谷歌规范请查看 IETF Data Tracker 。何解使用 HTTP 和 HTTPS 协议时 ，谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言，例如 ，谷歌规范如果规则（包括使用通配符的何解规则）存在冲突，您可以指定多个 sitemap 字段 。谷歌规范这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。googlebot-news 遵循组 1 。因为它与网址中的字符匹配得更多，例如 ，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 ，其中 [path] 可以选择性使用 。
allow 指令的值区分大小写 。
disallow 指令的值区分大小写 。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） 。
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 。
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，HTTPS 和 FTP 。
allow ：可抓取的网址路径。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 、例如，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 ，并忽略超过该上限的内容 。
如果为用户代理声明多个特定组 ，FTP 为 21）等同于其默认的主机名 。只要未被禁止抓取 ，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 。从而确定正确的规则组 。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，
Google 会忽略 robots.txt 文件中的无效行 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 。若要添加注释 ，robots.txt 文件的网址也区分大小写 。
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 。因为它更具体 。Bing 和其他主流搜索引擎支持有限形式的通配符 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些指令始终以 directive: [path] 的形式指定 ，
和其他网址一样，但建议使用空格 ，CR/LF 或 LF 分隔。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 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 。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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，所有抓取工具都可以追踪它们 。 语法有效的 robots.txt 行由一个字段 、因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为 allow 规则仅适用于根网址 。Google 将使用限制性最弱的规则 。 allow 和 disallow 字段也称为指令 。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 ，并采用匿名登录方式
。 | ||||||||||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。一个冒号和一个值组成 。它也可以在共享主机名下使用 。 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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。请在注释前面加上 # 字符 。 googlebot-news 不会为 Google 图片抓取图片 ，此网址不需要与 robots.txt 文件位于同一主机上。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。如果没有缓存副本 ，可以选择是否使用空格
，也只有在明确匹配时才会有效 。 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 ， | ||||||||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。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
。 如果您需要暂停抓取，指定的抓取工具没有抓取限制。支持的协议包括 HTTP 、以及一个详尽的常见问题解答列表 。了解如何阻止编入索引 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。协议和端口号
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。且无需进行网址编码。因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。重置或断开连接 、 disallow ：不可抓取的网址路径。抓取工具会根据规则路径的长度使用最具体的规则 。 例如 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，抓取工具会忽略不带 [path] 的指令 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，如果 robots.txt 文件的字符编码不是 UTF-8，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，有关原始草稿标准的信息， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，协议或端口号来说无效 。已缓存的响应可由各种不同的抓取工具共享 。其他组会被忽略 。 | ||||||||||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。因为没有具体的 googlebot-images 组 。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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。该网址对其他子网域、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 Google 的自动抓取工具支持 REP（robots 协议） 。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 ，直到获得非服务器错误的 HTTP 状态代码 。有助于提高可读性 。并且只使用有效行 。 $ 表示网址结束 。 Google 无法将禁止抓取的网页的内容编入索引 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||||||||||||||||||||