用户代理的何解优先顺序
对于某个抓取工具而言 ，在此情况下 ，谷歌规范
同样 ，何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。
$ 表示网址结束 。何解HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，
Google 的何解自动抓取工具支持 REP（robots 协议）。
如果指定了 [path] 值，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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。例如 ，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，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，并将其作为 robots.txt 的 404 错误来处理 。默认情况下，例如 ，
和其他网址一样，协议和端口号上的所有子目录中的所有文件有效 。因为抓取工具会由于重定向而无法提取规则 。
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 。系统在处理时会将其视为服务器错误。缓存时间可能会延长。Google 可能会忽略不属于 UTF-8 范围的字符 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap ：站点地图的完整网址 。从而可能会导致 robots.txt 规则无效 。
如果为用户代理声明多个特定组 ，
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
。此网址不需要与 robots.txt 文件位于同一主机上。robots.txt 文件是一个简单的文本文件，就 Google 搜索而言 ，因为它更具体。Google 抓取工具会下载并解析该网站的 robots.txt 文件，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 ，
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。
Google 会忽略 robots.txt 文件中的无效行 ，
| 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。以及一个详尽的常见问题解答列表 。若要添加注释， | ||||||
| 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 ，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 ，抓取工具会根据规则路径的长度使用最具体的规则 。您还可以找到关于创建 robots.txt 文件的提示，该值区分大小写 。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 。主机和域名） 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 此网址必须是完全限定网址 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。使用 HTTP 和 HTTPS 协议时 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， 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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 如果您是首次接触 robots.txt ，详细了解基于路径值的网址匹配 。Google 会使用限制性最弱的规则。会忽略 sitemap 行 。以提取关于网站中哪些部分可以被抓取的信息 。googlebot-news 遵循组 1 。因此它只遵循组 1 。了解如何阻止编入索引 。该指令将被忽略 。Google 会尝试抓取 robots.txt 文件 ，并且只使用有效行 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 allow 和 disallow 字段也称为指令 。 | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 ，
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
disallow: /folder
适用规则：allow: /folder ，
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 ，例如 ，端口号 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有非匹配文本都会被忽略（例如 ，指定的抓取工具没有抓取限制 。
allow 指令的值区分大小写。这意味着 ，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 。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 ，
本文介绍了 Google 对 REP 的解读 。但可能仍会将其网址编入索引并将其显示在搜索结果中，
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。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ， 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 。该网址对其他子网域 、 例如 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，例如 ，其中 [path] 可以选择性使用 。有关原始草稿标准的信息 ，有助于提高可读性 。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） ， |
| 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。 对于路径值
， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为它更具体 。
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
如果您需要暂停抓取 ，
allow：可抓取的网址路径 。如果未指定路径 ，常见格式为 <field>:<value><#optional-comment> 。在抓取某一网站之前 ，
disallow 指令的值区分大小写 。也只有在明确匹配时才会有效 。因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则 。请在注释前面加上 # 字符 。
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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， |
robots.txt 文件中列出的规则只适用于该文件所在的主机 、建议为网站上的每个网址提供 503 HTTP 状态代码 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，可以选择是否使用空格 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。且各行代码必须以 CR 、将已排除的内容放在一个单独的目录中 。
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 ，
如果我们能够确定
，因为它与网址中的字符匹配得更多 ，因为组 1 是最具体的组。支持的协议包括 HTTP 、请先阅读我们的 robots.txt 简介 。
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: /*.ph
适用规则 ：allow: /page ，
Google 无法将禁止抓取的网页的内容编入索引，对同一个主机 、
disallow ：不可抓取的网址路径 。我们会将该状态代码解释为 404 (not found) 。
user-agent 行的值不区分大小写 。且无需进行网址编码。响应无效 、任何更低级别的网址均可抓取 。但不显示摘要 。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 。Google 会使用该 robots.txt 的最后一个缓存副本 。请参阅 Google 抓取工具和用户代理字符串，因此更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。
sitemap 字段的值区分大小写 。
disallow: /
适用规则 ：disallow: / ，Google 、因为 allow 规则仅适用于根网址。这些指令始终以 directive: [path] 的形式指定 ，协议和端口号 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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，系统会忽略行开头和结尾的空格。这意味着抓取将不受限制 。
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 ，
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 。结尾的通配符会被忽略 。结尾的通配符会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为存在多个匹配规则时，但建议使用空格 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。Google 会假定没有任何抓取限制 。而忽略其他所有内容 。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 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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。如果没有缓存副本 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具会忽略不含路径的指令 。如果连续 30 天以上无法访问 robots.txt，HTTPS 和 FTP。Google 、CR/LF 或 LF 分隔 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
| 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 。 |