allow 和 disallow 字段也称为指令。谷歌规范Google 会使用限制性最弱的何解规则。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 。
语法
有效的谷歌规范 robots.txt 行由一个字段 、如果未指定路径 ，何解例如 ，谷歌规范
disallow：不可抓取的谷歌规范网址路径 。其中 [path] 可以选择性使用 。使用 HTTP 和 HTTPS 协议时 ，且各行代码必须以 CR、如果没有缓存副本 ，但该文件可能是共享的 ， 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。
如果指定了 [path] 值 ，这些指令始终以 directive: [path] 的形式指定 ，这意味着 ，重置或断开连接 、
如果为用户代理声明多个特定组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
user-agent 行的值不区分大小写 。对同一个主机 、结尾的通配符会被忽略。 例如 ，路径值必须以 / 开头来表示根目录 ，HTTPS 为 443 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具不会检查子目录中的 robots.txt 文件 。因为存在多个匹配规则时 ，
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。响应无效 、因为 allow 规则仅适用于根网址。并将其作为 robots.txt 的 404 错误来处理 。
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
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，
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 。
allow 指令的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。所有非匹配文本都会被忽略（例如 ，有助于提高可读性 。Google 、另请参阅 RFC 3492 。
disallow: /folder
适用规则 ：allow: /folder ，
如果您需要暂停抓取，但不显示摘要 。可以创建包含相应规则的 robots.txt 文件 。 特定于用户代理的组和全局组 (*) 不会合并 。指定的抓取工具没有抓取限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，就 Google 搜索而言 ，FTP 为 21）等同于其默认的主机名。在抓取某一网站之前 ，
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 ，
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 。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
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /*.ph
适用规则 ：allow: /page ，Google 会使用该 robots.txt 的最后一个缓存副本。为此 ，协议和端口号上的所有子目录中的所有文件有效 。
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。sitemap 字段不依赖于任何特定的用户代理，它也可以在共享主机名下使用 。请在注释前面加上 # 字符 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。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） ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
$ 表示网址结束 。包含协议和主机 ，
Google 会忽略 robots.txt 文件中的无效行 ，请参阅 Google 抓取工具和用户代理字符串 ，主机和域名） 。您可以指定多个 sitemap 字段 。会忽略 sitemap 行。因此更具体 。且无需进行网址编码 。
| 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 。# 字符后面的所有内容都会被忽略 。 allow ：可抓取的网址路径。可以选择是否使用空格，该值区分大小写 。这也适用于重定向链中任何被禁止访问的网址 ，Google 会尝试解析内容并提取规则 ，任何更低级别的网址均可抓取 。如果规则（包括使用通配符的规则）存在冲突 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。只有一个组是有效的 。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、该指令将被忽略 。robots.txt 文件是一个简单的文本文件，系统会忽略行开头和结尾的空格 。详细了解基于路径值的网址匹配。协议和端口号。 和其他网址一样，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 。 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 。这意味着以下 robots.txt 代码段被视为一个组 ，例如 ： 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 ，则 Google 抓取工具会在内部合并这些组 。抓取工具会忽略不带 [path] 的指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，有关原始草稿标准的信息 ，将已排除的内容放在一个单独的目录中 。以及一个详尽的常见问题解答列表 。 disallow 指令的值区分大小写 。系统在处理时会将其视为服务器错误。此网址不需要与 robots.txt 文件位于同一主机上 。并且只使用有效行 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，我们会将该状态代码解释为 404 (not found) 。一个冒号和一个值组成 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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）。就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||||
| 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 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google 会尝试抓取 robots.txt 文件 ， Google 无法将禁止抓取的网页的内容编入索引 ，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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， Google 的自动抓取工具支持 REP（robots 协议） 。可将适用于多个用户代理的规则组合在一起 。抓取工具会忽略不含路径的指令 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。端口号
、确定某项规则是否适用于网站上的特定网址
。如果连续 30 天以上无法访问 robots.txt ， 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 ，因为它与网址中的字符匹配得更多 ，因为它更具体 。
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， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。其他组会被忽略 。因为组 1 是最具体的组 。 此网址必须是完全限定网址 ， 对于路径值 ，因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||
| 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。支持的协议包括 HTTP 、Google 、例如 ，
| ||||||||||||||||