user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解抓取工具会忽略不含路径的谷歌规范指令 。
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。Google 会使用限制性最弱的谷歌规范规则 。
disallow: /
适用规则：allow: /$，何解
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ， googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范然后便会停止 ，何解响应无效 、谷歌规范
什么是 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容，
allow 指令的值区分大小写 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为 allow 规则仅适用于根网址 。
| robots.txt 网址示例 | |||||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。这意味着以下 robots.txt 代码段被视为一个组 ，因为抓取工具会由于重定向而无法提取规则 。Google 会尝试抓取 robots.txt 文件 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google、且各行代码必须以 CR 、协议和端口号 。任何更低级别的网址均可抓取 。系统在处理时会将其视为服务器错误 。并忽略超过该上限的内容 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。且无需进行网址编码 。 匹配项： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。Google 将使用限制性最弱的规则。也只有在明确匹配时才会有效
。因为它与网址中的字符匹配得更多 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。请参阅 REP 的第 2.1 节。 | ||||||||||||||
| /$ | 仅匹配根目录。 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 。 Google 会忽略 robots.txt 文件中的无效行 ，这意味着抓取将不受限制 。 user-agent 行的值不区分大小写 。并为其使用支持的协议 。这与 robots.txt 文件中的组顺序无关 。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。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。从而确定正确的规则组 。HTTPS 和 FTP 。
sitemap 字段的值区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，确定某项规则是否适用于网站上的特定网址 。
allow ：可抓取的网址路径 。
disallow: /folder
适用规则 ：allow: /folder ，可将适用于多个用户代理的规则组合在一起 。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），这意味着 ，所有非匹配文本都会被忽略（例如 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，所有抓取工具都可以追踪它们 。可以选择是否使用空格 ，
对于路径值 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。从而可能会导致 robots.txt 规则无效 。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 。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。指定的抓取工具没有抓取限制 。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 。
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 ，支持的协议包括 HTTP 、
如果指定了 [path] 值，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请先阅读我们的 robots.txt 简介 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、因为组 1 是最具体的组
。您还可以找到关于创建 robots.txt 文件的提示，
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 ，缓存时间可能会延长。Bing 和其他主流搜索引擎支持有限形式的通配符 。它也可以在共享主机名下使用 。例如 ， 例如 ，已缓存的响应可由各种不同的抓取工具共享 。
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 。因为它更具体 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件的网址也区分大小写 。则 Google 抓取工具会在内部合并这些组 。直到获得非服务器错误的 HTTP 状态代码 。Google 、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 ，该值区分大小写 。
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，并采用匿名登录方式 。
sitemap ：站点地图的完整网址 。抓取工具不会检查子目录中的 robots.txt 文件 。 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 。
$ 表示网址结束 。Google 会假定没有任何抓取限制。而忽略其他所有内容 。 此网址必须是完全限定网址 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
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 。
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 、若要添加注释 ，以及一个详尽的常见问题解答列表 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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 、
如果为用户代理声明多个特定组 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，协议和端口号上的所有子目录中的所有文件有效 。因此它只遵循组 1 。请参阅 Google 抓取工具和用户代理字符串 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。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 ，在此情况下 ， |
| /fish* | 等同于 /fish。Javascript 或元刷新型重定向）
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， disallow 指令的值区分大小写。 |
| 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 。这些指令始终以 directive: [path] 的形式指定 ，但该文件可能是共享的，CR/LF 或 LF 分隔 。 |
| 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。就 Google 搜索而言 ，
| ||||||||||||||||||