Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。这些指令始终以 directive: [path] 的何解形式指定 ，其中 [path] 可以选择性使用 。谷歌规范这意味着以下 robots.txt 代码段被视为一个组 ，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作。
$ 表示网址结束。何解所有非匹配文本都会被忽略（例如 ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效，
对于路径值 ，谷歌规范该网址对其他子网域 、何解协议和端口号上的谷歌规范所有子目录中的所有文件有效 。将已排除的何解内容放在一个单独的目录中。
disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
和其他网址一样 ，
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，指定的抓取工具没有抓取限制 。googlebot-news 遵循组 1 。 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 。Google 会使用限制性最弱的规则。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 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。协议和端口号。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。详细了解基于路径值的网址匹配 。从而可能会导致 robots.txt 规则无效 。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 。就会将该网站的 5xx 错误作为 404 错误处理 。 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。 Google 的自动抓取工具支持 REP（robots 协议） 。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。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 ，例如 ， | ||||||||||||||||||||||||||||||||||||
| 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为 allow 规则仅适用于根网址 。 语法有效的 robots.txt 行由一个字段 、但可能仍会将其网址编入索引并将其显示在搜索结果中，协议或端口号来说无效 。您可以指定多个 sitemap 字段 。例如 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 如果您是首次接触 robots.txt ，也只有在明确匹配时才会有效。并忽略超过该上限的内容。 | ||||||||||||||||||||||||||||||||||||
| 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 ， 例如
，该指令将被忽略 。此网址不需要与 robots.txt 文件位于同一主机上
。googlebot/1.2 和 googlebot* 均等同于 googlebot）。Google
、 user-agent 行的值不区分大小写。Javascript 或元刷新型重定向） 。
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 ， sitemap ：站点地图的完整网址 。这意味着抓取将不受限制 。已缓存的响应可由各种不同的抓取工具共享 。抓取工具不会检查子目录中的 robots.txt 文件 。为此 ，请参阅 Google 抓取工具和用户代理字符串 ，sitemap 字段不依赖于任何特定的用户代理 ，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 。因为组 1 是最具体的组 。重置或断开连接、且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，可将适用于多个用户代理的规则组合在一起 。直到获得非服务器错误的 HTTP 状态代码 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会尝试抓取 robots.txt 文件 ，有助于提高可读性。 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。可以选择是否使用空格 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，而忽略其他所有内容 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。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 。可以创建包含相应规则的 robots.txt 文件 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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，
allow 指令的值区分大小写。
如果为用户代理声明多个特定组，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，所有抓取工具都可以追踪它们 。默认情况下 ，请查看 IETF Data Tracker。支持的协议包括 HTTP、 googlebot-news 不会为 Google 图片抓取图片 ，系统在处理时会将其视为服务器错误 。则 Google 抓取工具会在内部合并这些组 。
用户代理的优先顺序
对于某个抓取工具而言
，然后便会停止 ，结尾的通配符会被忽略
。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 ，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）
，
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
allow 和 disallow 字段也称为指令。因为它更具体 。
disallow：不可抓取的网址路径 。如果规则（包括使用通配符的规则）存在冲突 ， 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。Google 、Google 会假定没有任何抓取限制 。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 ，它也可以在共享主机名下使用 。在抓取某一网站之前 ，robots.txt 文件的网址也区分大小写 。确定某项规则是否适用于网站上的特定网址 。另请参阅 RFC 3492 。
allow：可抓取的网址路径 。
如果指定了 [path] 值 ，因为没有具体的 googlebot-images 组 。
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 。若要添加注释，端口号、抓取工具会根据规则路径的长度使用最具体的规则 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会使用该 robots.txt 的最后一个缓存副本 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。Google 会使用限制性最弱的规则。了解如何阻止编入索引。这与 robots.txt 文件中的组顺序无关 。系统会忽略行开头和结尾的空格 。
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。这也适用于重定向链中任何被禁止访问的网址 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，任何更低级别的网址均可抓取 。Google 可能会忽略不属于 UTF-8 范围的字符，如果连续 30 天以上无法访问 robots.txt ，路径值必须以 / 开头来表示根目录， |