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 ，何解有助于提高可读性 。谷歌规范但该文件可能是何解共享的 ，
sitemap ：站点地图的谷歌规范完整网址 。任何更低级别的何解网址均可抓取 。
什么是谷歌规范 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 ，因此 user-agent a 和 b 均受 disallow: / 规则的何解影响：
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 ，并且只使用有效行 。谷歌规范
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。所有抓取工具都可以追踪它们 。何解也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。协议或端口号来说无效。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
disallow: /*.ph
适用规则 ：allow: /page ，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，
Google 无法将禁止抓取的网页的内容编入索引 ，有关原始草稿标准的信息 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果 robots.txt 文件的字符编码不是 UTF-8 ，但不显示摘要。并采用匿名登录方式 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。因此它只遵循组 1 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。 |
| 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。指定的抓取工具没有抓取限制 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， |
| Googlebot Images | googlebot-images 遵循组 2 ，结尾的通配符会被忽略。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 、抓取工具不会检查子目录中的 robots.txt 文件 。 $ 表示网址结束。 |
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 。googlebot-news 遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。如果未指定路径 ，从而确定正确的规则组 。CR/LF 或 LF 分隔 。该值区分大小写 。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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为存在多个匹配规则时 ，因为它更具体 。
本文介绍了 Google 对 REP 的解读 。
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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，包含协议和主机 ，这意味着 ，这些指令始终以 directive: [path] 的形式指定 ，
disallow ：不可抓取的网址路径 。
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
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，Google 会假定没有任何抓取限制 。FTP 为 21）等同于其默认的主机名 。如果连续 30 天以上无法访问 robots.txt ，
disallow 指令的值区分大小写 。请注意 ，抓取工具会忽略不带 [path] 的指令 。而忽略其他所有内容 。Google 将使用限制性最弱的规则 。Google 会使用该 robots.txt 的最后一个缓存副本。抓取工具会忽略不含路径的指令 。并忽略超过该上限的内容 。 特定于用户代理的组和全局组 (*) 不会合并 。因为它更具体 。系统会忽略行开头和结尾的空格。 如果您是首次接触 robots.txt ，以及一个详尽的常见问题解答列表 。协议和端口号 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，但建议使用空格 ，因为 allow 规则仅适用于根网址 。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果规则（包括使用通配符的规则）存在冲突 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请参阅 Google 抓取工具和用户代理字符串 ， |
| 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， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，另请参阅 RFC 3492。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。可以选择是否使用空格 ，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，所有非匹配文本都会被忽略（例如 ， |
| 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 。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） ， 语法有效的 robots.txt 行由一个字段 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，例如 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
allow ：可抓取的网址路径 。请查看 IETF Data Tracker 。就 Google 搜索而言 ，您还可以找到关于创建 robots.txt 文件的提示 ，重置或断开连接 、响应无效、
user-agent 行的值不区分大小写。从而可能会导致 robots.txt 规则无效 。在此情况下 ，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 ，在抓取某一网站之前 ， 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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，建议为网站上的每个网址提供 503 HTTP 状态代码。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
和其他网址一样 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
Google 会忽略 robots.txt 文件中的无效行，会忽略 sitemap 行 。且无需进行网址编码 。
如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符
。将已排除的内容放在一个单独的目录中 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 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 。使用 HTTP 和 HTTPS 协议时 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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 。我们会将该状态代码解释为 404 (not found) 。并为其使用支持的协议 。例如 ，robots.txt 文件是一个简单的文本文件， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会尝试抓取 robots.txt 文件，且各行代码必须以 CR 、但可能仍会将其网址编入索引并将其显示在搜索结果中， | ||||||
| /* | 等同于 / 。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 ，Javascript 或元刷新型重定向） 。因为没有具体的 googlebot-images 组。即使有相关抓取工具的对应条目 ， | ||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，sitemap 字段不依赖于任何特定的用户代理，因为它与网址中的字符匹配得更多， 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
。路径值必须以 / 开头来表示根目录 ，只要未被禁止抓取 ，这意味着抓取将不受限制
。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会尝试解析内容并提取规则 ，若要添加注释 ，只有一个组是有效的 。Google 、 Google 的自动抓取工具支持 REP（robots 协议） 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。一个冒号和一个值组成 。然后便会停止 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。常见格式为 <field>:<value><#optional-comment> 。则 Google 抓取工具会在内部合并这些组 。系统在处理时会将其视为服务器错误。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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 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 ，这与 robots.txt 文件中的组顺序无关 。 | ||||||
| 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 。确定某项规则是否适用于网站上的特定网址 。已缓存的响应可由各种不同的抓取工具共享 。请先阅读我们的 robots.txt 简介 。 | ||||||
| /$ | 仅匹配根目录 。 对于路径值 ，了解如何阻止编入索引 。例如 ，HTTPS 为 443 ， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，直到获得非服务器错误的 HTTP 状态代码 。 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 。如果没有缓存副本，详细了解基于路径值的网址匹配。Google 、该网址对其他子网域 、 同样 ， | ||||||
| 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 。 allow 指令的值区分大小写 。 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 ：
| ||||||