Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解抓取工具会忽略不含路径的谷歌规范指令 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。
disallow: /*.htm
适用规则：disallow: /*.htm ，谷歌规范但建议使用空格 ，何解
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。Google 会尝试解析内容并提取规则 ，何解这意味着 ，谷歌规范
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
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。常见格式为 <field>:<value><#optional-comment> 。
同样 ，
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 。
如果指定了 [path] 值 ，
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 、这意味着抓取将不受限制 。也只有在明确匹配时才会有效
。该指令将被忽略 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这意味着以下 robots.txt 代码段被视为一个组，因为它更具体 。
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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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。503 (service unavailable) 错误会导致非常频繁的重试操作 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，抓取工具会根据规则路径的长度使用最具体的规则。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 会尝试抓取 robots.txt 文件 ，响应无效 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。因此它只遵循组 1。但不显示摘要 。结尾的通配符会被忽略
。CR/LF 或 LF 分隔
。
如果您需要暂停抓取 ，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，
disallow: /*.ph
适用规则：allow: /page，如果 robots.txt 文件的字符编码不是 UTF-8 ，
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。
和其他网址一样 ， 例如 ，
allow ：可抓取的网址路径。Javascript 或元刷新型重定向） 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，所有抓取工具都可以追踪它们。
Google 的自动抓取工具支持 REP（robots 协议） 。
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 ， 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 。并采用匿名登录方式 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， googlebot-news 不会为 Google 图片抓取图片 ，
$ 表示网址结束 。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 ，
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 ，以提取关于网站中哪些部分可以被抓取的信息 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、在此情况下 ，路径值必须以 / 开头来表示根目录 ，
| 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 。包含协议和主机 ，有助于提高可读性 。因为 allow 规则仅适用于根网址 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。因为抓取工具会由于重定向而无法提取规则
。一个冒号和一个值组成 。抓取工具不会检查子目录中的 robots.txt 文件 。并且只使用有效行 。 disallow 指令的值区分大小写。例如 ，Google 会假定没有任何抓取限制 。请参阅 REP 的第 2.1 节 。Google 会使用限制性最弱的规则 。 sitemap ：站点地图的完整网址 。这与 robots.txt 文件中的组顺序无关。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，对同一个主机 、 |
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 。即使有相关抓取工具的对应条目 ，googlebot-news 遵循组 1 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如，robots.txt 文件是一个简单的文本文件 ，Google 将使用限制性最弱的规则。 如果您是首次接触 robots.txt ，而忽略其他所有内容 。就 Google 搜索而言 ，并将其作为 robots.txt 的 404 错误来处理 。使用 HTTP 和 HTTPS 协议时，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。协议和端口号。系统在处理时会将其视为服务器错误。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 ，默认情况下 ，您还可以找到关于创建 robots.txt 文件的提示 ，请先阅读我们的 robots.txt 简介 。这些指令始终以 directive: [path] 的形式指定 ，
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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。然后便会停止 ， 此网址必须是完全限定网址 ，
语法
有效的 robots.txt 行由一个字段 、
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow ：不可抓取的网址路径 。因此更具体 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并忽略超过该上限的内容 。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 ，这也适用于重定向链中任何被禁止访问的网址，如果没有缓存副本
，它也可以在共享主机名下使用
。直到获得非服务器错误的 HTTP 状态代码 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
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 。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 ，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果我们能够确定，从而可能会导致 robots.txt 规则无效 。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 ，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 。因为它更具体 。指定的抓取工具没有抓取限制 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。请参阅 Google 抓取工具和用户代理字符串 ，因为没有具体的 googlebot-images 组 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，了解如何阻止编入索引 。详细了解基于路径值的网址匹配 。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 。
sitemap 字段的值区分大小写 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具会忽略不带 [path] 的指令 。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）。在抓取某一网站之前 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。 Google 会忽略 robots.txt 文件中的无效行 ，如果连续 30 天以上无法访问 robots.txt， | ||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。我们会将该状态代码解释为 404 (not found) 。sitemap 字段不依赖于任何特定的用户代理 ， allow 指令的值区分大小写 。为此 ，可以选择是否使用空格 ， 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 ：
| ||||||||||||||||||||||||||||||