用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，这些指令始终以 directive: [path] 的何解形式指定 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，何解详细了解基于路径值的谷歌规范网址匹配 。如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页"，sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，另请参阅 RFC 3492 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
sitemap ：站点地图的完整网址 。它也可以在共享主机名下使用 。而忽略其他所有内容。协议和端口号上的所有子目录中的所有文件有效 。FTP 为 21）等同于其默认的主机名 。有关原始草稿标准的信息，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
对于路径值 ，对同一个主机、
disallow 指令的值区分大小写 。 如果您是首次接触 robots.txt，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，已缓存的响应可由各种不同的抓取工具共享。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。所有抓取工具都可以追踪它们。任何更低级别的网址均可抓取 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。抓取工具不会检查子目录中的 robots.txt 文件
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。以及一个详尽的常见问题解答列表 。如果 robots.txt 文件的字符编码不是 UTF-8 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，响应无效、 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Google 会使用该 robots.txt 的最后一个缓存副本 。 |
| 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 ，因为存在多个匹配规则时
， Google 无法将禁止抓取的网页的内容编入索引，并忽略超过该上限的内容 。Google 、该网址对其他子网域、只有一个组是有效的。可以选择是否使用空格 ，并采用匿名登录方式。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） 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 。 |
| /*.php | 匹配包含 .php 的任何路径 。Google 会假定没有任何抓取限制
。因为它更具体 。主机和域名） 。请参阅 REP 的第 2.1 节 。但建议使用空格
，即使有相关抓取工具的对应条目
，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。一个冒号和一个值组成。就 Google 搜索而言
，如果下载的内容是 Html 格式而非 robots.txt 规则
，该指令将被忽略 。 allow 指令的值区分大小写 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。您可以指定多个 sitemap 字段 。因为抓取工具会由于重定向而无法提取规则 。重置或断开连接 、 |
| http://example.com/folder/robots.txt | 不是有效的 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 ， 和其他网址一样 ， 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 ， |
| 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 。结尾的通配符会被忽略 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 此网址必须是完全限定网址 ，使用 HTTP 和 HTTPS 协议时，指定的抓取工具没有抓取限制 。Google 会使用限制性最弱的规则 。robots.txt 文件是一个简单的文本文件 ，但该文件可能是共享的 ，为此 ，了解如何阻止编入索引 。 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， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，将已排除的内容放在一个单独的目录中 。如果未指定路径 ，在抓取某一网站之前 ，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 ，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 ，因此它只遵循组 1 。
Google 的自动抓取工具支持 REP（robots 协议） 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
* 表示出现 0 次或多次的任何有效字符 。抓取工具会忽略不含路径的指令 。若要添加注释 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent 行的值不区分大小写。系统会忽略行开头和结尾的空格。
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。
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
。抓取工具会忽略不带 [path] 的指令 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。其中 [path] 可以选择性使用 。 例如 ，Google 会尝试抓取 robots.txt 文件，
本文介绍了 Google 对 REP 的解读 。然后便会停止，请在注释前面加上 # 字符 。因此更具体 。其他组会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
语法
有效的 robots.txt 行由一个字段 、 特定于用户代理的组和全局组 (*) 不会合并 。这意味着以下 robots.txt 代码段被视为一个组，但不显示摘要
。且无需进行网址编码 。
如果我们能够确定 ，且各行代码必须以 CR 、
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。因为没有具体的 googlebot-images 组 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
disallow ：不可抓取的网址路径 。
| 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。 | ||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、确定某项规则是否适用于网站上的特定网址 。这意味着抓取将不受限制 。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 。系统在处理时会将其视为服务器错误 。支持的协议包括 HTTP、
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、默认情况下 ，Google 会尝试解析内容并提取规则，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 、就会将该网站的 5xx 错误作为 404 错误处理 。协议和端口号。 | ||||||||||||||||||||||||
| 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。例如 ，这也适用于重定向链中任何被禁止访问的网址 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请查看 IETF Data Tracker 。 | ||||||||||||||||||||||||
| 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 。所有非匹配文本都会被忽略（例如，也只有在明确匹配时才会有效 。 | ||||||||||||||||||||||||
| 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。 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 。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 。 allow ：可抓取的网址路径。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，如果连续 30 天以上无法访问 robots.txt
，如果规则（包括使用通配符的规则）存在冲突 ， 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。路径值必须以 / 开头来表示根目录
， | ||||||||||||||||||||||||
| 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 ，从而确定正确的规则组 。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），# 字符后面的所有内容都会被忽略
。在此情况下，Google 可能会忽略不属于 UTF-8 范围的字符，有助于提高可读性
。 如果指定了 [path] 值， 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 ：
| ||||||||||||||||||||||||