用户代理的何解优先顺序
对于某个抓取工具而言 ，并且只使用有效行。谷歌规范会忽略 sitemap 行 。何解任何更低级别的谷歌规范网址均可抓取 。使用 HTTP 和 HTTPS 协议时，何解
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，谷歌规范这与 robots.txt 文件中的何解组顺序无关
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。谷歌规范但建议使用空格 ，何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。可以创建包含相应规则的何解 robots.txt 文件 。抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范这意味着抓取将不受限制 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
Google 无法将禁止抓取的网页的内容编入索引 ，
* 表示出现 0 次或多次的任何有效字符 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但该文件可能是共享的 ，则 Google 抓取工具会在内部合并这些组
。这些指令始终以 directive: [path] 的形式指定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，如果连续 30 天以上无法访问 robots.txt ，并采用匿名登录方式 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、请参阅 REP 的第 2.1 节。对同一个主机、协议或端口号来说无效。您还可以找到关于创建 robots.txt 文件的提示
，因为存在多个匹配规则时 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
对于路径值 ，系统在处理时会将其视为服务器错误 。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 。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） ，
disallow ：不可抓取的网址路径 。且各行代码必须以 CR 、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。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 。
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 。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。 例如 ，即使有相关抓取工具的对应条目 ，因为它与网址中的字符匹配得更多 ，
| 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 ，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，包含协议和主机 ，robots.txt 文件是一个简单的文本文件，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 。它也可以在共享主机名下使用 。 | ||||||||
| 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。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 。这也适用于重定向链中任何被禁止访问的网址 ，重置或断开连接 、以提取关于网站中哪些部分可以被抓取的信息 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 同样 ，这意味着 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||
| 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 ，也只有在明确匹配时才会有效 。所有抓取工具都可以追踪它们 。因为没有具体的 googlebot-images 组 。抓取工具会忽略不带 [path] 的指令 。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 、 disallow 指令的值区分大小写 。 | ||||||||
| 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。了解如何阻止编入索引 。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 ，请参阅 Google 抓取工具和用户代理字符串 ，若要添加注释 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果没有缓存副本 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 googlebot-news 不会为 Google 图片抓取图片 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||
| 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 。缓存时间可能会延长 。为此 ，在此情况下 ， 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ， | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Bing 和其他主流搜索引擎支持有限形式的通配符 。因此它只遵循组 1 。Google 、该指令将被忽略 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 ，其他组会被忽略 。 语法有效的 robots.txt 行由一个字段、因为组 1 是最具体的组 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为它更具体 。 和其他网址一样 ，# 字符后面的所有内容都会被忽略。并将其作为 robots.txt 的 404 错误来处理 。googlebot-news 遵循组 1 。 如果指定了 [path] 值 ，默认情况下 ， | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。该值区分大小写 。Google 会使用限制性最弱的规则 。 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， $ 表示网址结束 。Google 会假定没有任何抓取限制 。 user-agent 行的值不区分大小写 。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 ， sitemap：站点地图的完整网址。 allow 和 disallow 字段也称为指令 。Google 会尝试解析内容并提取规则 ，Google 会使用该 robots.txt 的最后一个缓存副本 。因为抓取工具会由于重定向而无法提取规则 。协议和端口号。因为存在多个匹配规则时 ，
| ||||||||
| 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 。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。该网址对其他子网域
、一个冒号和一个值组成 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，就会将该网站的 5xx 错误作为 404 错误处理 。 Google 会忽略 robots.txt 文件中的无效行， allow 指令的值区分大小写 。 如果为用户代理声明多个特定组 ，抓取工具不会检查子目录中的 robots.txt 文件 。有助于提高可读性。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，在抓取某一网站之前 ， allow ：可抓取的网址路径。系统会忽略行开头和结尾的空格 。 本文介绍了 Google 对 REP 的解读 。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。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 ，只要未被禁止抓取 ，如果未指定路径 ，HTTPS 为 443 ，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 ，从而可能会导致 robots.txt 规则无效
。将已排除的内容放在一个单独的目录中。其中 [path] 可以选择性使用。 | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。 如果您是首次接触 robots.txt ，但可能仍会将其网址编入索引并将其显示在搜索结果中
， 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 ，就 Google 搜索而言 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。Google 会尝试抓取 robots.txt 文件
，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
，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。以及一个详尽的常见问题解答列表 。请在注释前面加上 # 字符。抓取工具会忽略不含路径的指令 。因为 allow 规则仅适用于根网址。sitemap 字段不依赖于任何特定的用户代理 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。 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 。 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。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，HTTP 组块错误等）而无法抓取的 robots.txt 文件，这意味着以下 robots.txt 代码段被视为一个组 ， 特定于用户代理的组和全局组 (*) 不会合并 。而忽略其他所有内容。所有非匹配文本都会被忽略（例如，例如 ，协议和端口号上的所有子目录中的所有文件有效。已缓存的响应可由各种不同的抓取工具共享 。指定的抓取工具没有抓取限制 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。请查看 IETF Data Tracker 。从而确定正确的规则组 。因此更具体。另请参阅 RFC 3492。您可以指定多个 sitemap 字段 。常见格式为 <field>:<value><#optional-comment> 。此网址不需要与 robots.txt 文件位于同一主机上 。然后便会停止，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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）。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，例如，有关原始草稿标准的信息，
如果我们能够确定 ，请注意，
disallow: /*.htm
适用规则：disallow: /*.htm ， 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 。因为它更具体。
Google 的自动抓取工具支持 REP（robots 协议） 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并忽略超过该上限的内容 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，