用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，抓取工具会忽略不含路径的何解指令 。googlebot-news 遵循组 1。谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。抓取工具不会检查子目录中的谷歌规范 robots.txt 文件。
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，
allow 和 disallow 字段也称为指令 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令，何解我们会将该状态代码解释为 404 (not found)。谷歌规范例如，何解
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。何解
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范以及一个详尽的何解常见问题解答列表 。因为它更具体 。谷歌规范disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
disallow 指令的值区分大小写 。HTTPS 和 FTP 。任何更低级别的网址均可抓取。并忽略超过该上限的内容 。它也可以在共享主机名下使用 。其他组会被忽略 。在此情况下 ，该指令将被忽略 。端口号 、并采用匿名登录方式 。指定的抓取工具没有抓取限制。
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 。
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 ，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） ，robots.txt 文件的网址也区分大小写 。CR/LF 或 LF 分隔 。
user-agent 行的值不区分大小写 。
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 。因为抓取工具会由于重定向而无法提取规则。如果规则（包括使用通配符的规则）存在冲突 ，就会将该网站的 5xx 错误作为 404 错误处理 。Google、
$ 表示网址结束。直到获得非服务器错误的 HTTP 状态代码 。路径值必须以 / 开头来表示根目录 ，
allow 指令的值区分大小写
。
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 ，响应无效、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
disallow: /
适用规则 ：disallow: / ，Google 会使用该 robots.txt 的最后一个缓存副本 。另请参阅 RFC 3492 。从而可能会导致 robots.txt 规则无效 。为此 ，对同一个主机 、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 ，这些指令始终以 directive: [path] 的形式指定 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读 。缓存时间可能会延长 。
如果指定了 [path] 值，Google 会假定没有任何抓取限制 。请查看 IETF Data Tracker 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
sitemap ：站点地图的完整网址 。因为它更具体 。有关原始草稿标准的信息 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，了解如何阻止编入索引 。
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 ，然后便会停止 ，就 Google 搜索而言 ，这意味着以下 robots.txt 代码段被视为一个组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会尝试解析内容并提取规则 ，您还可以找到关于创建 robots.txt 文件的提示 ，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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，可以选择是否使用空格，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如，
disallow ：不可抓取的网址路径 。Google 将使用限制性最弱的规则 。因为存在多个匹配规则时 ，
Google 会忽略 robots.txt 文件中的无效行 ，
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 。且各行代码必须以 CR 、即使有相关抓取工具的对应条目，
| 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。 如果您是首次接触 robots.txt ，这意味着 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，也只有在明确匹配时才会有效 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。Google、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Javascript 或元刷新型重定向）。 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 ，常见格式为 <field>:<value><#optional-comment> 。 Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具会根据规则路径的长度使用最具体的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 同样
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，包含协议和主机
， | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。但建议使用空格 ，将已排除的内容放在一个单独的目录中。 此网址必须是完全限定网址，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，但该文件可能是共享的 ，默认情况下
，这意味着抓取将不受限制 。会忽略 sitemap 行 。
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 。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） 。# 字符后面的所有内容都会被忽略。robots.txt 文件是一个简单的文本文件 ， 对于路径值 ， | ||||||||||||
| /* | 等同于 / 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||
| 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 。结尾的通配符会被忽略 。 语法有效的 robots.txt 行由一个字段、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 ， | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 ，从而确定正确的规则组 。 例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 如果您需要暂停抓取，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符
。有助于提高可读性
。例如 ，协议和端口号上的所有子目录中的所有文件有效 。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。Bing 和其他主流搜索引擎支持有限形式的通配符。但不显示摘要 。您可以指定多个 sitemap 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，Google 会使用限制性最弱的规则。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 可能会忽略不属于 UTF-8 范围的字符 ，若要添加注释 ， 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 。只有一个组是有效的 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
# 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 ，
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
，其中 [path] 可以选择性使用 。sitemap 字段不依赖于任何特定的用户代理
，请参阅 REP 的第 2.1 节
。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 。详细了解基于路径值的网址匹配 。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 ，因为 allow 规则仅适用于根网址 。结尾的通配符会被忽略 。 allow：可抓取的网址路径 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，并且只使用有效行 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3。 | ||||
| 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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||
| 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。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，系统会忽略行开头和结尾的空格。
| ||||