用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，请在注释前面加上 # 字符。何解有关原始草稿标准的谷歌规范信息 ，该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
disallow: /*.ph
适用规则：allow: /page，因为存在多个匹配规则时 ，它也可以在共享主机名下使用 。可将适用于多个用户代理的规则组合在一起 。
同样 ，重置或断开连接 、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 ，并忽略超过该上限的内容 。Google 会使用限制性最弱的规则 。
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，使用 HTTP 和 HTTPS 协议时 ，
disallow 指令的值区分大小写 。
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 。从而可能会导致 robots.txt 规则无效 。如果连续 30 天以上无法访问 robots.txt ，
$ 表示网址结束 。
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。且各行代码必须以 CR 、 googlebot-news 不会为 Google 图片抓取图片 ，就 Google 搜索而言 ，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） ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、所有抓取工具都可以追踪它们 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。已缓存的响应可由各种不同的抓取工具共享 。我们会将该状态代码解释为 404 (not found) 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、且无需进行网址编码 。有助于提高可读性 。
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， 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 ，Google 、
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 ，一个冒号和一个值组成 。如果规则（包括使用通配符的规则）存在冲突 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会假定没有任何抓取限制 。只要未被禁止抓取 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，所有非匹配文本都会被忽略（例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
， 例如，如果没有缓存副本，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
| 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
。路径值必须以 / 开头来表示根目录 ，语法有效的 robots.txt 行由一个字段 、为此 ，因此它只遵循组 1 。协议或端口号来说无效。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ，系统在处理时会将其视为服务器错误 。这意味着以下 robots.txt 代码段被视为一个组 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 allow 指令的值区分大小写。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， |
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，就会将该网站的 5xx 错误作为 404 错误处理 。Javascript 或元刷新型重定向） 。并采用匿名登录方式。这意味着 ，抓取工具会根据规则路径的长度使用最具体的规则 。 如果为用户代理声明多个特定组 ，结尾的通配符会被忽略 。 |
和其他网址一样 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 特定于用户代理的组和全局组 (*) 不会合并 。
Google 无法将禁止抓取的网页的内容编入索引 ，但建议使用空格，
如果我们能够确定
，并将其作为 robots.txt 的 404 错误来处理 。该网址对其他子网域 、因为它更具体 。
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 。但该文件可能是共享的 ，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 。包含协议和主机 ，例如 ，会忽略 sitemap 行 。响应无效 、Bing 和其他主流搜索引擎支持有限形式的通配符 。主机和域名） 。Google 将使用限制性最弱的规则 。请参阅 REP 的第 2.1 节 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 会尝试解析内容并提取规则，
allow 和 disallow 字段也称为指令 。这也适用于重定向链中任何被禁止访问的网址，
本文介绍了 Google 对 REP 的解读 。建议为网站上的每个网址提供 503 HTTP 状态代码 。端口号 、
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 。
sitemap ：站点地图的完整网址 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，该值区分大小写 。因为存在多个匹配规则时 ，
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 。确定某项规则是否适用于网站上的特定网址 。因为它与网址中的字符匹配得更多，如果未指定路径，这与 robots.txt 文件中的组顺序无关 。sitemap 字段不依赖于任何特定的用户代理 ，结尾的通配符会被忽略 。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 行的值不区分大小写 。这些指令始终以 directive: [path] 的形式指定 ，Google 、此网址不需要与 robots.txt 文件位于同一主机上 。因为 allow 规则仅适用于根网址 。即使有相关抓取工具的对应条目，
sitemap 字段的值区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
如果指定了 [path] 值 ，
disallow ：不可抓取的网址路径 。您还可以找到关于创建 robots.txt 文件的提示 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，详细了解基于路径值的网址匹配 。也只有在明确匹配时才会有效 。并且只使用有效行 。
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， allow ：可抓取的网址路径 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||
| /* | 等同于 / 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 Google 会忽略 robots.txt 文件中的无效行， 此网址必须是完全限定网址 ， 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 ， | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 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。从而确定正确的规则组 。例如 ，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。并为其使用支持的协议 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。以提取关于网站中哪些部分可以被抓取的信息
。只有一个组是有效的 。因此更具体 。 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 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 对于路径值 ，其中 [path] 可以选择性使用 。 | ||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，HTTPS 和 FTP 。任何更低级别的网址均可抓取。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 ，googlebot-news 遵循组 1 。 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。对同一个主机、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。请参阅 Google 抓取工具和用户代理字符串，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 、
| ||||||||||||||||