user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范这意味着抓取将不受限制 。何解该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
allow ：可抓取的何解网址路径 。如果未指定路径 ，谷歌规范请参阅 REP 的何解第 2.1 节 。Google 将使用限制性最弱的谷歌规范规则 。使用 HTTP 和 HTTPS 协议时 ，何解指定的谷歌规范抓取工具没有抓取限制 。系统会忽略行开头和结尾的何解空格。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。谷歌规范即使有相关抓取工具的何解对应条目 ，从而确定正确的谷歌规范规则组 。抓取工具不会检查子目录中的 robots.txt 文件。因为它更具体 。
| 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 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为存在多个匹配规则时 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。并忽略超过该上限的内容 。任何更低级别的网址均可抓取 。其他组会被忽略 。了解如何阻止编入索引 。若要添加注释 ，# 字符后面的所有内容都会被忽略 。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 。就 Google 搜索而言 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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 会尝试抓取 robots.txt 文件 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，缓存时间可能会延长 。
$ 表示网址结束 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，将已排除的内容放在一个单独的目录中。请查看 IETF Data Tracker 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，我们会将该状态代码解释为 404 (not found)。协议和端口号上的所有子目录中的所有文件有效。响应无效、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、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 ，重置或断开连接 、
Google 的自动抓取工具支持 REP（robots 协议）。这些指令始终以 directive: [path] 的形式指定 ，
Google 会忽略 robots.txt 文件中的无效行 ，请先阅读我们的 robots.txt 简介 。并采用匿名登录方式 。
disallow: /
适用规则 ：allow: /$ ，
disallow 指令的值区分大小写
。Bing 和其他主流搜索引擎支持有限形式的通配符。
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
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 ，这意味着以下 robots.txt 代码段被视为一个组 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为 allow 规则仅适用于根网址 。确定某项规则是否适用于网站上的特定网址 。结尾的通配符会被忽略 。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 。
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 。robots.txt 文件是一个简单的文本文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，在此情况下 ，
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 ，详细了解基于路径值的网址匹配 。
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 ，
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 。也只有在明确匹配时才会有效 。抓取工具会忽略不含路径的指令 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。但该文件可能是共享的 ，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） 。HTTPS 和 FTP。
sitemap 字段的值区分大小写 。HTTPS 为 443 ，
如果我们能够确定 ， 特定于用户代理的组和全局组 (*) 不会合并 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。而忽略其他所有内容 。Google 、
sitemap ：站点地图的完整网址 。
disallow: /
适用规则：disallow: / ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为存在多个匹配规则时，以提取关于网站中哪些部分可以被抓取的信息 。因为它更具体 。常见格式为 <field>:<value><#optional-comment> 。已缓存的响应可由各种不同的抓取工具共享 。只要未被禁止抓取 ，一个冒号和一个值组成。
| 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。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 如果为用户代理声明多个特定组 ，有助于提高可读性 。Google 会使用该 robots.txt 的最后一个缓存副本 。Javascript 或元刷新型重定向） 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 同样 ， |
| /fish | 匹配以 /fish 开头的任何路径
。例如
，因为它与网址中的字符匹配得更多 ，该值区分大小写 。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。只有一个组是有效的 。503 (service unavailable) 错误会导致非常频繁的重试操作
。建议为网站上的每个网址提供 503 HTTP 状态代码 。CR/LF 或 LF 分隔。如果没有缓存副本 ， 例如 ， 如果您需要暂停抓取 ， 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 。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 ，Google 会尝试解析内容并提取规则 ，
语法
有效的 robots.txt 行由一个字段 、
user-agent 行的值不区分大小写 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
disallow ：不可抓取的网址路径 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。就会将该网站的 5xx 错误作为 404 错误处理
。这与 robots.txt 文件中的组顺序无关
。因为没有具体的 googlebot-images 组
。
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 ，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） ，以及一个详尽的常见问题解答列表 。 对于路径值， | ||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， | ||||||
| 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， | ||||||
| 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://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 ， 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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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 。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 ， Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。Google 可能会忽略不属于 UTF-8 范围的字符 ，用户代理的优先顺序对于某个抓取工具而言， | ||||||
| /* | 等同于 / 。并为其使用支持的协议 。因此它只遵循组 1 。包含协议和主机 ， | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 ，Google 会使用限制性最弱的规则 。 和其他网址一样 ，它也可以在共享主机名下使用。 | ||||||
| 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 ，该指令将被忽略 。因此更具体
。端口号 、请注意，您还可以找到关于创建 robots.txt 文件的提示，从而可能会导致 robots.txt 规则无效 。 allow 指令的值区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 如果指定了 [path] 值 ，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，如果规则（包括使用通配符的规则）存在冲突 ，Google 会使用限制性最弱的规则 。且各行代码必须以 CR 、 | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，robots.txt 文件的网址也区分大小写 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 。 | ||||||
| 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 。则 Google 抓取工具会在内部合并这些组 。Google 、并将其作为 robots.txt 的 404 错误来处理 。抓取工具会根据规则路径的长度使用最具体的规则 。
| ||||||