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 ，
disallow 指令的谷歌规范值区分大小写。其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。然后便会停止，谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解系统会忽略行开头和结尾的谷歌规范空格 。指定的何解抓取工具没有抓取限制。常见格式为 <field>:<value><#optional-comment> 。谷歌规范了解如何阻止编入索引 。何解抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范因为没有具体的何解 googlebot-images 组 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，谷歌规范 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解则 Google 抓取工具会在内部合并这些组 。谷歌规范因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。如果没有缓存副本 ，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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具不会检查子目录中的 robots.txt 文件。协议或端口号来说无效 。 |
| /fish | 匹配以 /fish 开头的任何路径。 如果您是首次接触 robots.txt，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 ，我们会将该状态代码解释为 404 (not found)。 |
| Googlebot（网络） | googlebot 遵循组 3 。 |
| 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。 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 。这也适用于重定向链中任何被禁止访问的网址， 和其他网址一样 ， |
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
在请求 robots.txt 文件时 ，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），
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。 此网址必须是完全限定网址 ，并且只使用有效行。主机和域名） 。sitemap 字段不依赖于任何特定的用户代理 ，请先阅读我们的 robots.txt 简介 。
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。系统在处理时会将其视为服务器错误
。有助于提高可读性 。且无需进行网址编码 。
| 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 。robots.txt 文件的网址也区分大小写 。HTTPS 为 443 ， | ||||||||||||||||||
| 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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 会使用限制性最弱的规则 。Google 会尝试抓取 robots.txt 文件 ，所有非匹配文本都会被忽略（例如 ，请查看 IETF Data Tracker 。它也可以在共享主机名下使用 。Google 将使用限制性最弱的规则 。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||||||
| 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，因为它更具体。所有抓取工具都可以追踪它们 。并将其作为 robots.txt 的 404 错误来处理 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。但建议使用空格，Bing 和其他主流搜索引擎支持有限形式的通配符 。直到获得非服务器错误的 HTTP 状态代码 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。包含协议和主机 ， googlebot-news 不会为 Google 图片抓取图片 ，对同一个主机 、因为 allow 规则仅适用于根网址 。使用 HTTP 和 HTTPS 协议时 ，以提取关于网站中哪些部分可以被抓取的信息 。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 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 Google 无法将禁止抓取的网页的内容编入索引， robots.txt 文件中列出的规则只适用于该文件所在的主机、重置或断开连接 、 Google 的自动抓取工具支持 REP（robots 协议） 。响应无效 、 Google 会忽略 robots.txt 文件中的无效行 ，如果未指定路径 ，若要添加注释 ，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，HTTPS 和 FTP 。因为抓取工具会由于重定向而无法提取规则 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，会忽略 sitemap 行 。因为组 1 是最具体的组 。因为它更具体
。抓取工具会忽略不带 [path] 的指令
。 | ||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 例如 ，
user-agent 行的值不区分大小写。只要未被禁止抓取 ，只有一个组是有效的 。Google 会假定没有任何抓取限制 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、Google 抓取工具会下载并解析该网站的 robots.txt 文件，支持的协议包括 HTTP 、端口号 、您可以指定多个 sitemap 字段
。可将适用于多个用户代理的规则组合在一起 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
如果为用户代理声明多个特定组 ，此网址不需要与 robots.txt 文件位于同一主机上。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。该指令将被忽略
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 ，因为存在多个匹配规则时 ，
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，但不显示摘要。其他组会被忽略。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 如果我们能够确定 ，例如 ，详细了解基于路径值的网址匹配 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、已缓存的响应可由各种不同的抓取工具共享 。请参阅 Google 抓取工具和用户代理字符串 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。例如 ，结尾的通配符会被忽略。这意味着以下 robots.txt 代码段被视为一个组 ， allow ：可抓取的网址路径 。 本文介绍了 Google 对 REP 的解读 。有关原始草稿标准的信息 ，任何更低级别的网址均可抓取 。 $ 表示网址结束 。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 。 | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，例如 ，这意味着 ，也只有在明确匹配时才会有效 。抓取工具会根据规则路径的长度使用最具体的规则 。 同样 ，因此它只遵循组 1。一个冒号和一个值组成 。Google、 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。 allow 指令的值区分大小写 。 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，该值区分大小写 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||
| 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。另请参阅 RFC 3492。 如果您需要暂停抓取 ，而忽略其他所有内容 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，如果连续 30 天以上无法访问 robots.txt ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||