Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，这意味着抓取将不受限制 。何解会忽略 sitemap 行 。谷歌规范sitemap 字段不依赖于任何特定的何解用户代理 ，
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。因为存在多个匹配规则时 ，谷歌规范
| 错误处理和 HTTP 状态代码 | |||||||||||
| 2xx（成功） | 表示成功的何解 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 。CR/LF 或 LF 分隔 。谷歌规范请在注释前面加上 # 字符。何解请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范 | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，何解 此网址必须是谷歌规范完全限定网址 ， Google 无法将禁止抓取的何解网页的内容编入索引 ，任何更低级别的谷歌规范网址均可抓取 。若要添加注释 ，如果连续 30 天以上无法访问 robots.txt，请先阅读我们的 robots.txt 简介 。从而确定正确的规则组。 同样，即使有相关抓取工具的对应条目，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 ，抓取工具会根据规则路径的长度使用最具体的规则 。Google 会尝试解析内容并提取规则 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。这意味着 ，有关原始草稿标准的信息，系统在处理时会将其视为服务器错误 。Javascript 或元刷新型重定向） 。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，有助于提高可读性 。包含协议和主机 ，响应无效
、该值区分大小写 。 allow ：可抓取的网址路径 。 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，且各行代码必须以 CR、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该网址对其他子网域 、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。在抓取某一网站之前，一个冒号和一个值组成 。 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。如果没有缓存副本
，它也可以在共享主机名下使用 。 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 。 | ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，因为存在多个匹配规则时，因此更具体。googlebot-news 遵循组 1。robots.txt 文件的网址也区分大小写 。
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 ，使用 HTTP 和 HTTPS 协议时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。您还可以找到关于创建 robots.txt 文件的提示 ，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） 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Google 将使用限制性最弱的规则 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，常见格式为 <field>:<value><#optional-comment> 。则 Google 抓取工具会在内部合并这些组 。从而可能会导致 robots.txt 规则无效 。例如 ，HTTPS 为 443 ，
disallow 指令的值区分大小写 。
如果指定了 [path] 值 ，
如果为用户代理声明多个特定组 ，支持的协议包括 HTTP 、确定某项规则是否适用于网站上的特定网址 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。您可以指定多个 sitemap 字段 。但不显示摘要 。该指令将被忽略 。 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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，例如，结尾的通配符会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具不会检查子目录中的 robots.txt 文件 。Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会使用限制性最弱的规则 。
sitemap ：站点地图的完整网址。并为其使用支持的协议 。
allow 指令的值区分大小写 。了解如何阻止编入索引 。重置或断开连接 、因此它只遵循组 1 。并采用匿名登录方式。将已排除的内容放在一个单独的目录中 。为此，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。
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 ，也只有在明确匹配时才会有效 。
sitemap 字段的值区分大小写 。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 、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，就 Google 搜索而言 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，请查看 IETF Data Tracker 。路径值必须以 / 开头来表示根目录，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。
本文介绍了 Google 对 REP 的解读
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 例如，缓存时间可能会延长
。此网址不需要与 robots.txt 文件位于同一主机上
。请注意 ，协议和端口号上的所有子目录中的所有文件有效 。robots.txt 文件是一个简单的文本文件 ，
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 。端口号 、这与 robots.txt 文件中的组顺序无关 。
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，然后便会停止 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。主机和域名）。抓取工具会忽略不带 [path] 的指令 。用户代理的优先顺序对于某个抓取工具而言 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 ，但建议使用空格 ， |
| /$ | 仅匹配根目录 。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。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 。因为它更具体。且无需进行网址编码。 |
| /fish* | 等同于 /fish 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、可以选择是否使用空格 ，已缓存的响应可由各种不同的抓取工具共享。如果未指定路径 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 googlebot-news 不会为 Google 图片抓取图片 ，默认情况下 ， 如果您是首次接触 robots.txt
，因为 allow 规则仅适用于根网址 。而忽略其他所有内容 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、这些指令始终以 directive: [path] 的形式指定 ，但该文件可能是共享的 ， 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 ，因为没有具体的 googlebot-images 组 。并忽略超过该上限的内容。 $ 表示网址结束 。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 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 特定于用户代理的组和全局组 (*) 不会合并 。只有一个组是有效的 。其他组会被忽略 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，结尾的通配符会被忽略 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。就会将该网站的 5xx 错误作为 404 错误处理 。对同一个主机 、 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。 |
| /* | 等同于 / 。系统会忽略行开头和结尾的空格 。 |
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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 。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 ， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page， 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 ：
| ||||||||||