缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，googlebot-news 遵循组 1 。谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm，谷歌规范该网址对其他子网域 、因此更具体 。
user-agent 行的值不区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理。其他组会被忽略 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、使用 HTTP 和 HTTPS 协议时 ，已缓存的响应可由各种不同的抓取工具共享 。
如果您需要暂停抓取 ，CR/LF 或 LF 分隔 。另请参阅 RFC 3492
。其中 [path] 可以选择性使用。Google 会使用限制性最弱的规则。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
Google 的自动抓取工具支持 REP（robots 协议） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，我们会将该状态代码解释为 404 (not found) 。请查看 IETF Data Tracker 。sitemap 字段不依赖于任何特定的用户代理 ， 本文介绍了 Google 对 REP 的解读 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |
| 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 ，会忽略 sitemap 行。例如 ，例如 ， 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 。 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
。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 ，例如 ，如果未指定路径 ，该指令将被忽略
。抓取工具会根据规则路径的长度使用最具体的规则 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。因此它只遵循组 1 。抓取工具不会检查子目录中的 robots.txt 文件。默认情况下 ，503 (service unavailable) 错误会导致非常频繁的重试操作
。 对于路径值 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着， 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， |
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，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
，抓取工具会使用标准 RETR (RETRIEVE) 命令
，协议和端口号
。
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
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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 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 。 如果指定了 [path] 值 ， | ||||||||||||||||||||||||||||||||
| 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 ， 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 ，且无需进行网址编码 。如果规则（包括使用通配符的规则）存在冲突 ，系统会忽略行开头和结尾的空格。如果下载的内容是 Html 格式而非 robots.txt 规则 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、您还可以找到关于创建 robots.txt 文件的提示，HTTPS 和 FTP 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||||||||||||||
| 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。 | ||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，协议和端口号上的所有子目录中的所有文件有效。并将其作为 robots.txt 的 404 错误来处理 。 disallow 指令的值区分大小写 。只要未被禁止抓取 ， 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 。 | ||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。结尾的通配符会被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， disallow ：不可抓取的网址路径 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， allow ：可抓取的网址路径 。Google 会使用限制性最弱的规则 。 如果为用户代理声明多个特定组 ，就 Google 搜索而言 ，因为 allow 规则仅适用于根网址 。有助于提高可读性。FTP 为 21）等同于其默认的主机名。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||||||||
| /* | 等同于 / 。 sitemap：站点地图的完整网址 。HTTPS 为 443 ，包含协议和主机 ，主机和域名） 。 | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，以及一个详尽的常见问题解答列表
。请在注释前面加上 # 字符
。而忽略其他所有内容。重置或断开连接 、 sitemap 字段的值区分大小写 。响应无效、如果连续 30 天以上无法访问 robots.txt ，了解如何阻止编入索引。因为抓取工具会由于重定向而无法提取规则 。 $ 表示网址结束 。并为其使用支持的协议 。 如果您是首次接触 robots.txt， 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，一个冒号和一个值组成。也只有在明确匹配时才会有效 。请参阅 REP 的第 2.1 节 。并采用匿名登录方式 。 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 。所有抓取工具都可以追踪它们 。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 。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，请先阅读我们的 robots.txt 简介 。有关原始草稿标准的信息 ，robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||||||||||||||
| 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 。所有非匹配文本都会被忽略（例如，为此 ，但不显示摘要 。这也适用于重定向链中任何被禁止访问的网址 ，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 ，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。 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：
| ||||||||||||||||||||||||||||||||