user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议）。就 Google 搜索而言 ，谷歌规范如果没有缓存副本 ，何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
disallow: /
适用规则：allow: /$，了解如何阻止编入索引 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。建议为网站上的每个网址提供 503 HTTP 状态代码。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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，在抓取某一网站之前，其他组会被忽略 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， |
| Googlebot（网络） | googlebot 遵循组 3。 disallow：不可抓取的网址路径 。 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 。 同样
，也只有在明确匹配时才会有效。因为抓取工具会由于重定向而无法提取规则 。CR/LF 或 LF 分隔
。您可以指定多个 sitemap 字段
。 |
| 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 。它也可以在共享主机名下使用。因为它更具体 。我们会将该状态代码解释为 404 (not found) 。sitemap 字段不依赖于任何特定的用户代理 ，使用 HTTP 和 HTTPS 协议时 ，如果未指定路径 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果 robots.txt 文件的字符编码不是 UTF-8 ，所有非匹配文本都会被忽略（例如 ，并为其使用支持的协议。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） ， 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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。如果连续 30 天以上无法访问 robots.txt ， 特定于用户代理的组和全局组 (*) 不会合并 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果为用户代理声明多个特定组 ，
Google 会忽略 robots.txt 文件中的无效行，
如果您需要暂停抓取，系统会忽略行开头和结尾的空格。您还可以找到关于创建 robots.txt 文件的提示
，结尾的通配符会被忽略
。这也适用于重定向链中任何被禁止访问的网址 ，路径值必须以 / 开头来表示根目录
，
如果我们能够确定
，Google、就会将该网站的 5xx 错误作为 404 错误处理 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，从而确定正确的规则组 。
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 ，googlebot-news 遵循组 1 。Google 会使用该 robots.txt 的最后一个缓存副本 。
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 ，
allow：可抓取的网址路径 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会根据规则路径的长度使用最具体的规则 。但该文件可能是共享的 ，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，例如 ，请先阅读我们的 robots.txt 简介。例如，请查看 IETF Data Tracker 。并将其作为 robots.txt 的 404 错误来处理 。
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 。抓取工具不会检查子目录中的 robots.txt 文件 。
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 。
对于路径值 ，
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。并且只使用有效行。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 指令的值区分大小写 。详细了解基于路径值的网址匹配。从而可能会导致 robots.txt 规则无效 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，会忽略 sitemap 行。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），结尾的通配符会被忽略 。
| 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 。 | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，这些指令始终以 directive: [path] 的形式指定，因此它只遵循组 1 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page， 如果指定了 [path] 值
，但不显示摘要。Google 会尝试解析内容并提取规则 ， | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。并采用匿名登录方式
。因为 allow 规则仅适用于根网址
。这意味着抓取将不受限制。这意味着以下 robots.txt 代码段被视为一个组
，Google 可能会忽略不属于 UTF-8 范围的字符 ， allow 和 disallow 字段也称为指令 。 sitemap 字段的值区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ，因为组 1 是最具体的组 。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 、Google 将使用限制性最弱的规则 。 本文介绍了 Google 对 REP 的解读 。# 字符后面的所有内容都会被忽略。 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。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 ， | ||||||||||||||
| 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 ，协议和端口号
。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 。端口号 、将已排除的内容放在一个单独的目录中 。 | ||||||||||||||
| 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 ， | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，则 Google 抓取工具会在内部合并这些组 。Javascript 或元刷新型重定向）。 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 ，因为它更具体 。FTP 为 21）等同于其默认的主机名 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
disallow: /folder
适用规则 ：allow: /folder ，如果下载的内容是 Html 格式而非 robots.txt 规则，其中 [path] 可以选择性使用。
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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。可以选择是否使用空格，指定的抓取工具没有抓取限制 。
sitemap ：站点地图的完整网址 。因为存在多个匹配规则时 ，Google 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。包含协议和主机 ，在此情况下 ，然后便会停止 ，协议和端口号上的所有子目录中的所有文件有效。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
和其他网址一样 ，抓取工具会忽略不带 [path] 的指令 。任何更低级别的网址均可抓取。 googlebot-news 不会为 Google 图片抓取图片 ，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 ，并忽略超过该上限的内容 。因此更具体 。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 ，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 。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 。
$ 表示网址结束 。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，
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 ，请参阅 Google 抓取工具和用户代理字符串 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 会使用限制性最弱的规则 。HTTPS 和 FTP。缓存时间可能会延长。支持的协议包括 HTTP 、 如果您是首次接触 robots.txt ，请在注释前面加上 # 字符
。 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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为存在多个匹配规则时 ， 此网址必须是完全限定网址 ，该指令将被忽略 。例如 ，即使有相关抓取工具的对应条目，请注意 ，有关原始草稿标准的信息 ， 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 。另请参阅 RFC 3492 。系统在处理时会将其视为服务器错误 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。该网址对其他子网域 、只要未被禁止抓取 ，主机和域名） 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，以提取关于网站中哪些部分可以被抓取的信息 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，例如 ， |
| 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 。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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、可将适用于多个用户代理的规则组合在一起 。 |