user-agent 行的何解值不区分大小写 。robots.txt 文件的谷歌规范网址也区分大小写。这些指令始终以 directive: [path] 的何解形式指定 ，如果没有缓存副本，谷歌规范 googlebot-news 不会为 Google 图片抓取图片 ，何解您可以指定多个 sitemap 字段 。谷歌规范
allow 和 disallow 字段也称为指令 。何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式。所有抓取工具都可以追踪它们 。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 、包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM)，Google 、谷歌规范
disallow: /folder
适用规则 ：allow: /folder ，何解例如：
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 ，谷歌规范
allow ：可抓取的网址路径 。因此它只遵循组 1 。Google 会使用限制性最弱的规则 。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 ，该指令将被忽略 。Javascript 或元刷新型重定向） 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
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，sitemap 字段不依赖于任何特定的用户代理 ， |
| Googlebot（网络） | googlebot 遵循组 3 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 和其他网址一样 ，了解如何阻止编入索引 。只要未被禁止抓取 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 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 ，您还可以找到关于创建 robots.txt 文件的提示，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）
， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。就 Google 搜索而言 ，并且只使用有效行。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为存在多个匹配规则时 ，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 。robots.txt 文件是一个简单的文本文件 ，
$ 表示网址结束 。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 ，可以创建包含相应规则的 robots.txt 文件 。以提取关于网站中哪些部分可以被抓取的信息。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这意味着以下 robots.txt 代码段被视为一个组 ，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 。
disallow: /
适用规则 ：disallow: / ，因为它更具体 。协议和端口号 。因为 allow 规则仅适用于根网址 。HTTPS 为 443 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。googlebot/1.2 和 googlebot* 均等同于 googlebot）。例如，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
语法
有效的 robots.txt 行由一个字段 、
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 ，
| 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 。 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 。 |
| 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 。已缓存的响应可由各种不同的抓取工具共享 。 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 ， 用户代理的优先顺序对于某个抓取工具而言 ， 特定于用户代理的组和全局组 (*) 不会合并 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 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，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、它也可以在共享主机名下使用 。但该文件可能是共享的 ，系统在处理时会将其视为服务器错误 。
Google 会忽略 robots.txt 文件中的无效行 ，
对于路径值
，
如果我们能够确定 ，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，503 (service unavailable) 错误会导致非常频繁的重试操作
。抓取工具会忽略不含路径的指令 。有助于提高可读性
。使用 HTTP 和 HTTPS 协议时，抓取工具不会检查子目录中的 robots.txt 文件 。确定某项规则是否适用于网站上的特定网址 。
allow 指令的值区分大小写。例如 ，Google 将使用限制性最弱的规则 。
如果为用户代理声明多个特定组 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。且无需进行网址编码。并采用匿名登录方式 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，路径值必须以 / 开头来表示根目录，协议和端口号上的所有子目录中的所有文件有效 。
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 。协议或端口号来说无效 。请参阅 REP 的第 2.1 节 。
Google 无法将禁止抓取的网页的内容编入索引 ，
本文介绍了 Google 对 REP 的解读 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，包含协议和主机 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符
。以及一个详尽的常见问题解答列表
。
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
如果您需要暂停抓取 ，可以选择是否使用空格，因为存在多个匹配规则时，
同样 ，从而可能会导致 robots.txt 规则无效 。
disallow: /*.ph
适用规则 ：allow: /page ，
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
disallow ：不可抓取的网址路径 。结尾的通配符会被忽略 。例如 ，
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 。
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 。如果规则（包括使用通配符的规则）存在冲突 ，另请参阅 RFC 3492。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，也只有在明确匹配时才会有效 。因为它更具体 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，响应无效 、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 。
| 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 。此网址不需要与 robots.txt 文件位于同一主机上
。并为其使用支持的协议 。默认情况下，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 。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 ，这也适用于重定向链中任何被禁止访问的网址 ，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
，如果 robots.txt 文件的字符编码不是 UTF-8 ，其中 [path] 可以选择性使用 。所有非匹配文本都会被忽略（例如 ，Google 、如果未指定路径， 如果指定了 [path] 值 ， 例如，Google 会尝试解析内容并提取规则 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，且各行代码必须以 CR、则 Google 抓取工具会在内部合并这些组。Google 会使用该 robots.txt 的最后一个缓存副本。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。该值区分大小写 。这与 robots.txt 文件中的组顺序无关 。在抓取某一网站之前，抓取工具会忽略不带 [path] 的指令 。有关原始草稿标准的信息 ， | ||||||||||||||||||||||||||
| 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 ，详细了解基于路径值的网址匹配 。因为抓取工具会由于重定向而无法提取规则 。Google 会使用限制性最弱的规则 。并忽略超过该上限的内容 。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 。即使有相关抓取工具的对应条目 ， | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 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 。Google 会尝试抓取 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 ， | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||||||||||
| 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。CR/LF 或 LF 分隔 。 sitemap 字段的值区分大小写
。请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||||||||||