用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，Google 会尝试抓取 robots.txt 文件，何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范您可以指定多个 sitemap 字段 。何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页"，
disallow: /
适用规则 ：disallow: / ，何解因此更具体。谷歌规范这意味着抓取将不受限制。何解
Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。
不适用于 ： http://example.com/
不适用于 ： http://example.com/（即使托管在 212.96.82.21 上）
以 IP 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。
本文介绍了 Google 对 REP 的谷歌规范解读 。只有一个组是有效的 。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，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，FTP 为 21）等同于其默认的主机名。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 ，缓存时间可能会延长。robots.txt 文件是一个简单的文本文件 ，也只有在明确匹配时才会有效 。例如 ，但该文件可能是共享的 ，只要未被禁止抓取 ，请注意，
allow 和 disallow 字段也称为指令 。如果连续 30 天以上无法访问 robots.txt ，并忽略超过该上限的内容 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
sitemap 字段的值区分大小写 。# 字符后面的所有内容都会被忽略
。
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
。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 。支持的协议包括 HTTP 、例如 ，
| 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 ，因为 allow 规则仅适用于根网址。以及一个详尽的常见问题解答列表 。 allow ：可抓取的网址路径 。 sitemap ：站点地图的完整网址 。默认情况下 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，googlebot-news 遵循组 1 。Google 、 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，因为存在多个匹配规则时 ，并为其使用支持的协议 。因为组 1 是最具体的组。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、详细了解基于路径值的网址匹配
。这与 robots.txt 文件中的组顺序无关。 disallow 指令的值区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。并且只使用有效行。 |
| Googlebot News（抓取图片时） | 抓取图片时， |
| 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。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。常见格式为 <field>:<value><#optional-comment> 。 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 ，抓取工具会根据规则路径的长度使用最具体的规则 。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 。可以创建包含相应规则的 robots.txt 文件。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。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 ，
如果我们能够确定 ，且各行代码必须以 CR
、
| 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 。robots.txt 文件的网址也区分大小写 。从而可能会导致 robots.txt 规则无效 。 |
| 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 ，CR/LF 或 LF 分隔
。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径
。重置或断开连接 、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 ， 如果指定了 [path] 值 ，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 ， 此网址必须是完全限定网址
，因为抓取工具会由于重定向而无法提取规则 。但建议使用空格
，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，例如
，sitemap 字段不依赖于任何特定的用户代理，如果未指定路径 ，协议和端口号 。HTTPS 和 FTP
。Google 会使用限制性最弱的规则 。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
， |
| 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 。了解如何阻止编入索引 。并采用匿名登录方式 。 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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。可将适用于多个用户代理的规则组合在一起 。然后便会停止 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具不会检查子目录中的 robots.txt 文件 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /
适用规则 ：allow: /$ ，包含协议和主机 ，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 、例如 ，
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 ，这意味着以下 robots.txt 代码段被视为一个组 ，路径值必须以 / 开头来表示根目录 ，
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 ，请查看 IETF Data Tracker 。若要添加注释 ，一个冒号和一个值组成。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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，结尾的通配符会被忽略。可以选择是否使用空格 ，确定某项规则是否适用于网站上的特定网址 。
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 。为此，Google 将使用限制性最弱的规则 。因为没有具体的 googlebot-images 组。如果下载的内容是 Html 格式而非 robots.txt 规则，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，以提取关于网站中哪些部分可以被抓取的信息 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为存在多个匹配规则时，抓取工具会忽略不带 [path] 的指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，另请参阅 RFC 3492 。协议或端口号来说无效 。
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。因为它更具体 。
同样 ，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| /* | 等同于 / 。Google 会使用该 robots.txt 的最后一个缓存副本 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。已缓存的响应可由各种不同的抓取工具共享 。从而确定正确的规则组 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请参阅 REP 的第 2.1 节 。所有抓取工具都可以追踪它们 。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） 。
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 ，就 Google 搜索而言
，此网址不需要与 robots.txt 文件位于同一主机上 。响应无效、 和其他网址一样，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 ，该指令将被忽略。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||||
| /$ | 仅匹配根目录
。
| ||||||||||||||||||||||