Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
用户代理的何解优先顺序
对于某个抓取工具而言 ，抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。
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 ，谷歌规范
匹配项
：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。其他组会被忽略 。谷歌规范
disallow ：不可抓取的何解网址路径 。因此更具体 。谷歌规范
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， googlebot-news 不会为 Google 图片抓取图片 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。如果规则（包括使用通配符的规则）存在冲突 ，从而可能会导致 robots.txt 规则无效 。路径值必须以 / 开头来表示根目录 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会忽略不含路径的指令 。可以创建包含相应规则的 robots.txt 文件 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
同样 ，Google 会使用该 robots.txt 的最后一个缓存副本 。在抓取某一网站之前 ，请注意 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
disallow 指令的值区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 。其中 [path] 可以选择性使用 。# 字符后面的所有内容都会被忽略。
如果我们能够确定 ，一个冒号和一个值组成 。因为存在多个匹配规则时 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。
allow 指令的值区分大小写。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 。只有一个组是有效的。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
allow 和 disallow 字段也称为指令 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 可能会忽略不属于 UTF-8 范围的字符，
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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 如果您是首次接触 robots.txt，即使有相关抓取工具的对应条目，
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 、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 。
如果您需要暂停抓取 ，
$ 表示网址结束 。
disallow: /*.ph
适用规则 ：allow: /page ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为组 1 是最具体的组 。系统在处理时会将其视为服务器错误 。这也适用于重定向链中任何被禁止访问的网址 ，协议或端口号来说无效 。
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 ，常见格式为 <field>:<value><#optional-comment> 。例如 ，从而确定正确的规则组。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||||||||||||||||||||||
| 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 。这意味着 ，该指令将被忽略 。另请参阅 RFC 3492 。 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 ，使用 HTTP 和 HTTPS 协议时 ，只要未被禁止抓取 ，端口号 、这些指令始终以 directive: [path] 的形式指定， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。此网址不需要与 robots.txt 文件位于同一主机上。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 。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 。 Google 会忽略 robots.txt 文件中的无效行 ，robots.txt 文件是一个简单的文本文件 ，因此它只遵循组 1。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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），因为它与网址中的字符匹配得更多 ，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: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、我们会将该状态代码解释为 404 (not found)。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。有关原始草稿标准的信息 ，结尾的通配符会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，任何更低级别的网址均可抓取。例如 ，了解如何阻止编入索引 。也只有在明确匹配时才会有效。 语法有效的 robots.txt 行由一个字段 、以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||||||||||||||||||||
| 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 。缓存时间可能会延长 。然后便会停止 ，这意味着以下 robots.txt 代码段被视为一个组 ，Google 将使用限制性最弱的规则 。 sitemap：站点地图的完整网址 。Google
、 | ||||||||||||||||||||||||||||||||||||
| 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 ，sitemap 字段不依赖于任何特定的用户代理 ，
| ||||||||||||||||||||||||||||||||||||