Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，因为组 1 是谷歌规范最具体的组。该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、因为没有具体的谷歌规范 googlebot-images 组 。其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。抓取工具会忽略不含路径的谷歌规范指令 。 例如 ，何解
什么是谷歌规范 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 无法将禁止抓取的网页的内容编入索引，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 ，
allow ：可抓取的网址路径 。即使有相关抓取工具的对应条目 ，抓取工具会忽略不带 [path] 的指令 。以及一个详尽的常见问题解答列表。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 ，
Google 的自动抓取工具支持 REP（robots 协议）。
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。这也适用于重定向链中任何被禁止访问的网址，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，该值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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
，如果规则（包括使用通配符的规则）存在冲突
， 同样 ，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 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，这意味着以下 robots.txt 代码段被视为一个组 ， |
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 。
| 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 。 |
| 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 ， 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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
allow 指令的值区分大小写 。请先阅读我们的 robots.txt 简介 。 如果您是首次接触 robots.txt，
| 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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。Google 、就 Google 搜索而言 ，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 。例如 ，例如 ，协议和端口号 。 如果您需要暂停抓取 ，如果连续 30 天以上无法访问 robots.txt ，Google 可能会忽略不属于 UTF-8 范围的字符，确定某项规则是否适用于网站上的特定网址 。它也可以在共享主机名下使用。所有非匹配文本都会被忽略（例如 ，另请参阅 RFC 3492 。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，也只有在明确匹配时才会有效 。这意味着 ，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 ，从而确定正确的规则组 。详细了解基于路径值的网址匹配 。这意味着抓取将不受限制 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因此更具体。将已排除的内容放在一个单独的目录中。请查看 IETF Data Tracker 。但建议使用空格 ，已缓存的响应可由各种不同的抓取工具共享 。并采用匿名登录方式 。robots.txt 文件是一个简单的文本文件， 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 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||
| /* | 等同于 /。协议或端口号来说无效。且各行代码必须以 CR 、有关原始草稿标准的信息 ，您可以指定多个 sitemap 字段 。Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，# 字符后面的所有内容都会被忽略 。您还可以找到关于创建 robots.txt 文件的提示 ， sitemap 字段的值区分大小写。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、其中 [path] 可以选择性使用。其他组会被忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为 allow 规则仅适用于根网址 。任何更低级别的网址均可抓取 。因为它与网址中的字符匹配得更多，例如 ，googlebot-news 遵循组 1 。请注意 ，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 。如果 robots.txt 文件的字符编码不是 UTF-8， | ||||||||||||||||
| 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 。 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 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。因为抓取工具会由于重定向而无法提取规则 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 。为此 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并且只使用有效行 。并为其使用支持的协议。 | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。Google 会使用限制性最弱的规则。可以选择是否使用空格 ，请参阅 REP 的第 2.1 节 。但可能仍会将其网址编入索引并将其显示在搜索结果中，CR/LF 或 LF 分隔 。 | ||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，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 ，使用 HTTP 和 HTTPS 协议时 ，可将适用于多个用户代理的规则组合在一起 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。而忽略其他所有内容 。会忽略 sitemap 行。 | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， Google 会忽略 robots.txt 文件中的无效行 ，常见格式为 <field>:<value><#optional-comment> 。直到获得非服务器错误的 HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。HTTPS 为 443 ，例如 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， 如果指定了 [path] 值 ，且无需进行网址编码 。只要未被禁止抓取 ，这与 robots.txt 文件中的组顺序无关 。支持的协议包括 HTTP 、 | ||||||||||||||||
| 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 ， | ||||||||||||||||
| /$ | 仅匹配根目录 。 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， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。在抓取某一网站之前 ， googlebot-news 不会为 Google 图片抓取图片 ， 对于路径值，从而可能会导致 robots.txt 规则无效 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 如果为用户代理声明多个特定组
，主机和域名） 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，但该文件可能是共享的 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。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）
。响应无效 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。缓存时间可能会延长 。 | ||||||||||||||||