user-agent 行的何解值不区分大小写 。Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，
不适用于： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。因为它与网址中的何解字符匹配得更多 ，以及一个详尽的谷歌规范常见问题解答列表 。所有非匹配文本都会被忽略（例如 ，何解请参阅 REP 的谷歌规范第 2.1 节 。请注意 ，何解
$ 表示网址结束 。谷歌规范获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。Google 会尝试抓取 robots.txt 文件 ，谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。可以创建包含相应规则的 robots.txt 文件 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
allow 和 disallow 字段也称为指令。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
本文介绍了 Google 对 REP 的解读 。其中 [path] 可以选择性使用 。如果连续 30 天以上无法访问 robots.txt ，可将适用于多个用户代理的规则组合在一起。所有抓取工具都可以追踪它们 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。也只有在明确匹配时才会有效 。并为其使用支持的协议 。这意味着 ，因为它更具体 。例如，
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 ，
allow ：可抓取的网址路径。
对于路径值 ，就 Google 搜索而言 ，这与 robots.txt 文件中的组顺序无关 。Google 会使用该 robots.txt 的最后一个缓存副本 。常见格式为 <field>:<value><#optional-comment> 。协议和端口号 。robots.txt 文件是一个简单的文本文件 ，因为没有具体的 googlebot-images 组 。
| 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
。 如果我们能够确定 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。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） 。 |
| 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 。googlebot-news 遵循组 1。HTTPS 为 443，您还可以找到关于创建 robots.txt 文件的提示 ，抓取工具会忽略不含路径的指令 。已缓存的响应可由各种不同的抓取工具共享 。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 ，其他组会被忽略 。 |
| 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 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。语法有效的 robots.txt 行由一个字段 、 |
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 ，结尾的通配符会被忽略 。 特定于用户代理的组和全局组 (*) 不会合并 。会忽略 sitemap 行 。
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 。因为存在多个匹配规则时，
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /
适用规则 ：allow: /$ ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会假定没有任何抓取限制 。可以选择是否使用空格 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、任何更低级别的网址均可抓取 。路径值必须以 / 开头来表示根目录 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。然后便会停止，googlebot/1.2 和 googlebot* 均等同于 googlebot）。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 ，系统在处理时会将其视为服务器错误 。为此，重置或断开连接、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 ，
sitemap
：站点地图的完整网址
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、# 字符后面的所有内容都会被忽略
。 例如 ，抓取工具会根据规则路径的长度使用最具体的规则。但不显示摘要 。
如果为用户代理声明多个特定组 ，
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 。另请参阅 RFC 3492 。协议或端口号来说无效 。 googlebot-news 不会为 Google 图片抓取图片 ，
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。
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 。
disallow: /folder
适用规则 ：allow: /folder ，
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 ，在此情况下 ，该值区分大小写。直到获得非服务器错误的 HTTP 状态代码 。Google 可能会忽略不属于 UTF-8 范围的字符，因为抓取工具会由于重定向而无法提取规则。
disallow 指令的值区分大小写 。Google 、Javascript 或元刷新型重定向）
。
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
和其他网址一样 ，Google 会使用限制性最弱的规则 。这意味着以下 robots.txt 代码段被视为一个组 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 会忽略 robots.txt 文件中的无效行 ，
disallow: /
适用规则：disallow: / ，并采用匿名登录方式 。它也可以在共享主机名下使用 。
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
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 。
Google 无法将禁止抓取的网页的内容编入索引 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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，以提取关于网站中哪些部分可以被抓取的信息 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，协议和端口号上的所有子目录中的所有文件有效 。建议为网站上的每个网址提供 503 HTTP 状态代码 。一个冒号和一个值组成
。该指令将被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，详细了解基于路径值的网址匹配 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，即使有相关抓取工具的对应条目 ，主机和域名） 。 allow 指令的值区分大小写 。因为 allow 规则仅适用于根网址 。
| ||||||||||||||||||||||||