user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范包含协议和主机 ，何解抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。
disallow 指令的谷歌规范值区分大小写。
用户代理的何解优先顺序
对于某个抓取工具而言，
如果我们能够确定 ，谷歌规范
语法
有效的何解 robots.txt 行由一个字段 、Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。另请参阅 RFC 3492 。何解直到获得非服务器错误的谷歌规范 HTTP 状态代码 。如果未指定路径 ，何解其中 [path] 可以选择性使用 。谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 会忽略 robots.txt 文件中的无效行 ，就 Google 搜索而言 ，在抓取某一网站之前 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 。该指令将被忽略。但建议使用空格 ，
如果您需要暂停抓取，确定某项规则是否适用于网站上的特定网址 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，则 Google 抓取工具会在内部合并这些组 。您还可以找到关于创建 robots.txt 文件的提示 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会尝试抓取 robots.txt 文件，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）。
本文介绍了 Google 对 REP 的解读 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 。然后便会停止，路径值必须以 / 开头来表示根目录 ，
对于路径值 ，Javascript 或元刷新型重定向）。
disallow: /
适用规则 ：allow: /$，sitemap 字段不依赖于任何特定的用户代理 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 会假定没有任何抓取限制。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 。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，
sitemap ：站点地图的完整网址 。对同一个主机 、
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，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 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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 。这些指令始终以 directive: [path] 的形式指定，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具
。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 ，
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 ，只有一个组是有效的。 如果您是首次接触 robots.txt ，响应无效 、抓取工具会根据规则路径的长度使用最具体的规则 。例如，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 ，有关原始草稿标准的信息，这也适用于重定向链中任何被禁止访问的网址，所有抓取工具都可以追踪它们 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为它更具体 。Google 会使用限制性最弱的规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 会尝试解析内容并提取规则 ，以提取关于网站中哪些部分可以被抓取的信息。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，这与 robots.txt 文件中的组顺序无关 。了解如何阻止编入索引 。
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 ， |
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。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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 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 ，
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
如果指定了 [path] 值 ， 例如 ，如果规则（包括使用通配符的规则）存在冲突 ，
user-agent 行的值不区分大小写。可以选择是否使用空格，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、因为没有具体的 googlebot-images 组 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。结尾的通配符会被忽略 。只要未被禁止抓取，
Google 的自动抓取工具支持 REP（robots 协议） 。
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 ，
| 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 。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 。 和其他网址一样
，端口号 、 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。支持的协议包括 HTTP、请在注释前面加上 # 字符 。Google 将使用限制性最弱的规则 。 | ||||||||
| 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 ， | ||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ， sitemap 字段的值区分大小写。从而可能会导致 robots.txt 规则无效 。Google 、一个冒号和一个值组成 。缓存时间可能会延长 。robots.txt 文件的网址也区分大小写 。重置或断开连接、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 ，HTTPS 为 443 ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，协议和端口号 。以及一个详尽的常见问题解答列表 。因为 allow 规则仅适用于根网址 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。若要添加注释，Google 会使用限制性最弱的规则 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 allow ：可抓取的网址路径。使用 HTTP 和 HTTPS 协议时，因此更具体。但该文件可能是共享的，请查看 IETF Data Tracker。 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。且无需进行网址编码 。 | ||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。robots.txt 文件是一个简单的文本文件 ，Google 、如果 robots.txt 文件的字符编码不是 UTF-8 ，指定的抓取工具没有抓取限制。 googlebot-news 不会为 Google 图片抓取图片 ，就会将该网站的 5xx 错误作为 404 错误处理 。将已排除的内容放在一个单独的目录中 。主机和域名） 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，默认情况下 ，已缓存的响应可由各种不同的抓取工具共享 。结尾的通配符会被忽略。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 。例如 ，抓取工具不会检查子目录中的 robots.txt 文件 。因为存在多个匹配规则时 ，系统会忽略行开头和结尾的空格 。抓取工具会忽略不带 [path] 的指令 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||
| /fish* | 等同于 /fish。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。会忽略 sitemap 行 。# 字符后面的所有内容都会被忽略 。CR/LF 或 LF 分隔 。 $ 表示网址结束 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因此它只遵循组 1 。
disallow ：不可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引 ，常见格式为 <field>:<value><#optional-comment>。并忽略超过该上限的内容 。googlebot-news 遵循组 1 。
同样，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。而忽略其他所有内容 。
allow 指令的值区分大小写 。这意味着，
allow 和 disallow 字段也称为指令 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTPS 和 FTP 。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 ，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。 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。因为抓取工具会由于重定向而无法提取规则。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，并且只使用有效行 。为此 ， 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 ，但不显示摘要 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、任何更低级别的网址均可抓取 。 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，并将其作为 robots.txt 的 404 错误来处理 。 |