如果我们能够确定，谷歌规范googlebot-news 遵循组 1 。何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小 。因为没有具体的谷歌规范 googlebot-images 组 。请参阅 Google 抓取工具和用户代理字符串，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解系统会忽略行开头和结尾的谷歌规范空格 。请先阅读我们的何解 robots.txt 简介。该值区分大小写 。谷歌规范HTTPS 为 443，何解请注意，谷歌规范协议和端口号上的何解所有子目录中的所有文件有效 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /folder
适用规则 ：allow: /folder ，sitemap 字段不依赖于任何特定的用户代理，就 Google 搜索而言，
disallow: /*.ph
适用规则 ：allow: /page ，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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，只有一个组是有效的 。robots.txt 文件是一个简单的文本文件 ，robots.txt 文件的网址也区分大小写。响应无效 、该指令将被忽略 。Google 将使用限制性最弱的规则 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 。该网址对其他子网域 、缓存时间可能会延长 。因为它与网址中的字符匹配得更多 ，在此情况下 ，对同一个主机、
disallow ：不可抓取的网址路径 。
用户代理的优先顺序
对于某个抓取工具而言 ，从而可能会导致 robots.txt 规则无效 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，路径值必须以 / 开头来表示根目录 ，会忽略 sitemap 行 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会假定没有任何抓取限制 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
sitemap 字段的值区分大小写。因为存在多个匹配规则时， 特定于用户代理的组和全局组 (*) 不会合并 。
同样， 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 。请查看 IETF Data Tracker。
Google 会忽略 robots.txt 文件中的无效行，Google 会使用限制性最弱的规则 。 此网址必须是完全限定网址 ，且各行代码必须以 CR 、
Google 的自动抓取工具支持 REP（robots 协议） 。即使有相关抓取工具的对应条目 ，已缓存的响应可由各种不同的抓取工具共享 。Google 会使用限制性最弱的规则。例如 ，有关原始草稿标准的信息 ，但建议使用空格 ，
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 ，我们会将该状态代码解释为 404 (not found) 。了解如何阻止编入索引 。例如 ，
本文介绍了 Google 对 REP 的解读 。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 ，默认情况下 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。另请参阅 RFC 3492 。Google、并为其使用支持的协议 。Bing 和其他主流搜索引擎支持有限形式的通配符 。可将适用于多个用户代理的规则组合在一起
。
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
| 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 。因为组 1 是最具体的组 。协议或端口号来说无效。 | ||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||||
| /fish* | 等同于 /fish 。如果连续 30 天以上无法访问 robots.txt， 如果您是首次接触 robots.txt ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。常见格式为 <field>:<value><#optional-comment> 。端口号
、
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。这意味着以下 robots.txt 代码段被视为一个组 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Javascript 或元刷新型重定向）。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 、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 ，# 字符后面的所有内容都会被忽略 。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）。若要添加注释 ，所有非匹配文本都会被忽略（例如 ，抓取工具不会检查子目录中的 robots.txt 文件 。如果规则（包括使用通配符的规则）存在冲突 ，其他组会被忽略 。并忽略超过该上限的内容 。
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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。它也可以在共享主机名下使用。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，确定某项规则是否适用于网站上的特定网址 。这些指令始终以 directive: [path] 的形式指定 ，因此更具体 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为抓取工具会由于重定向而无法提取规则。
如果指定了 [path] 值，如果没有缓存副本 ，请参阅 REP 的第 2.1 节 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，就会将该网站的 5xx 错误作为 404 错误处理 。
allow ：可抓取的网址路径 。
$ 表示网址结束。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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
allow 和 disallow 字段也称为指令 。以及一个详尽的常见问题解答列表 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，重置或断开连接 、可以选择是否使用空格 ，因为存在多个匹配规则时 ，
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 。
disallow 指令的值区分大小写 。这意味着抓取将不受限制 。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 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、 googlebot-news 不会为 Google 图片抓取图片 ，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 ，并采用匿名登录方式 。
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
/desert/fish
注意 ：匹配时区分大小写
。
如果为用户代理声明多个特定组 ，在抓取某一网站之前，例如 ，也只有在明确匹配时才会有效 。
disallow: /
适用规则 ：disallow: / ，
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 ，FTP 为 21）等同于其默认的主机名。您可以指定多个 sitemap 字段 。 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 ，包含协议和主机 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 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 。 和其他网址一样 ，将已排除的内容放在一个单独的目录中 。主机和域名）。因此它只遵循组 1 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
user-agent 行的值不区分大小写 。您还可以找到关于创建 robots.txt 文件的提示，使用 HTTP 和 HTTPS 协议时 ，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） ，
allow 指令的值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会尝试抓取 robots.txt 文件 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。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 。因为它更具体 。以提取关于网站中哪些部分可以被抓取的信息 。结尾的通配符会被忽略 。
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 。有助于提高可读性 。此网址不需要与 robots.txt 文件位于同一主机上 。直到获得非服务器错误的 HTTP 状态代码 。请在注释前面加上 # 字符 。这意味着 ，如果 robots.txt 文件的字符编码不是 UTF-8，并且只使用有效行 。