用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，
allow 指令的何解值区分大小写。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，谷歌规范 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，何解 | ||||||||
| http://example.com/folder/robots.txt | 不是谷歌规范有效的 robots.txt 文件 。如果没有缓存副本 ，何解系统会忽略行开头和结尾的谷歌规范空格。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?何解id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish /desert/fish 注意 ：匹配时区分大小写。请在注释前面加上 # 字符 。谷歌规范robots.txt 文件是何解一个简单的文本文件 ，有关原始草稿标准的谷歌规范信息 ，一个冒号和一个值组成 。何解重置或断开连接 、谷歌规范
allow ：可抓取的网址路径 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为存在多个匹配规则时 ，这意味着抓取将不受限制 。并为其使用支持的协议 。 sitemap 字段的值区分大小写 。但不显示摘要 。结尾的通配符会被忽略 。就 Google 搜索而言， | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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，因为它更具体 。如果 robots.txt 文件的字符编码不是 UTF-8，详细了解基于路径值的网址匹配 。 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 。HTTPS 为 443 ， 和其他网址一样 ， | ||||||||
| /* | 等同于 /。就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用该 robots.txt 的最后一个缓存副本 。如果连续 30 天以上无法访问 robots.txt，因为存在多个匹配规则时 ， 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 。Google 会使用限制性最弱的规则 。 如果您是首次接触 robots.txt ， | ||||||||
| /$ | 仅匹配根目录 。 user-agent 行的值不区分大小写 。Google 、 | ||||||||
| 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，其他组会被忽略 。请注意 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 此网址必须是完全限定网址 ， | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，googlebot-news 遵循组 1。 | ||||||||
| /fish* | 等同于 /fish 。 | ||||||||
| 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 。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 ， 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 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。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） 。 | ||||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 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 。 | ||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。请查看 IETF Data Tracker 。因为它与网址中的字符匹配得更多， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，为此，如果未指定路径 ，Google 会尝试解析内容并提取规则 ， | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
本文介绍了 Google 对 REP 的解读 。robots.txt 文件的网址也区分大小写 。对同一个主机 、
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 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 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。
如果我们能够确定 ，协议或端口号来说无效 。
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。Javascript 或元刷新型重定向） 。我们会将该状态代码解释为 404 (not found)。并且只使用有效行 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。而忽略其他所有内容。Google、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 。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 。例如 ，主机和域名） 。
disallow 指令的值区分大小写 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果指定了 [path] 值，抓取工具会忽略不含路径的指令。它也可以在共享主机名下使用 。也只有在明确匹配时才会有效 。确定某项规则是否适用于网站上的特定网址 。CR/LF 或 LF 分隔 。有助于提高可读性 。请参阅 REP 的第 2.1 节 。
disallow: /folder
适用规则 ：allow: /folder ，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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
对于路径值 ，
如果您需要暂停抓取
，
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 。因为抓取工具会由于重定向而无法提取规则 。
disallow: /*.ph
适用规则：allow: /page ，结尾的通配符会被忽略。
disallow ：不可抓取的网址路径 。并采用匿名登录方式 。
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 ，可以创建包含相应规则的 robots.txt 文件 。所有抓取工具都可以追踪它们 。协议和端口号上的所有子目录中的所有文件有效 。这意味着以下 robots.txt 代码段被视为一个组 ，因此它只遵循组 1。这些指令始终以 directive: [path] 的形式指定，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 、在抓取某一网站之前 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
| 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 。请参阅 Google 抓取工具和用户代理字符串 ， Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。且无需进行网址编码 。从而确定正确的规则组 。所有非匹配文本都会被忽略（例如 ，并将其作为 robots.txt 的 404 错误来处理 。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 ，另请参阅 RFC 3492 。这也适用于重定向链中任何被禁止访问的网址 ，直到获得非服务器错误的 HTTP 状态代码 。以及一个详尽的常见问题解答列表 。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。Google 会使用限制性最弱的规则 。指定的抓取工具没有抓取限制 。并忽略超过该上限的内容 。其中 [path] 可以选择性使用 。只要未被禁止抓取， | ||||
| 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，请先阅读我们的 robots.txt 简介 。若要添加注释 ，但建议使用空格 ， 特定于用户代理的组和全局组 (*) 不会合并。即使有相关抓取工具的对应条目， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
规则的优先顺序匹配 robots.txt 规则与网址时 ，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，因为组 1 是最具体的组 。503 (service unavailable) 错误会导致非常频繁的重试操作 。可以选择是否使用空格，缓存时间可能会延长。FTP 为 21）等同于其默认的主机名 。例如 ，路径值必须以 / 开头来表示根目录 ，# 字符后面的所有内容都会被忽略 。端口号 、 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||
| /fish | 匹配以 /fish 开头的任何路径 。语法有效的 robots.txt 行由一个字段、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 和 disallow 字段也称为指令 。 | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，任何更低级别的网址均可抓取 。您还可以找到关于创建 robots.txt 文件的提示 ，HTTPS 和 FTP 。使用 HTTP 和 HTTPS 协议时 ，然后便会停止 ，响应无效 、该网址对其他子网域 、但该文件可能是共享的 ，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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此更具体。协议和端口号 。支持的协议包括 HTTP 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，
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 ，了解如何阻止编入索引 。
sitemap ：站点地图的完整网址 。包含协议和主机 ，常见格式为 <field>:<value><#optional-comment> 。Google 会假定没有任何抓取限制 。以提取关于网站中哪些部分可以被抓取的信息 。Google 会尝试抓取 robots.txt 文件 ，会忽略 sitemap 行。已缓存的响应可由各种不同的抓取工具共享 。
如果为用户代理声明多个特定组 ， googlebot-news 不会为 Google 图片抓取图片 ，
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 ， |