用户代理的何解优先顺序
对于某个抓取工具而言 ，然后便会停止，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则。Google、何解
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。这也适用于重定向链中任何被禁止访问的谷歌规范网址，
disallow: /*.htm
适用规则：disallow: /*.htm ，何解此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范这意味着以下 robots.txt 代码段被视为一个组 ，何解您可以指定多个 sitemap 字段 。谷歌规范请查看 IETF Data Tracker。
disallow: /
适用规则 ：allow: /$ ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，但该文件可能是共享的 ，可以选择是否使用空格 ，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 。
allow：可抓取的网址路径 。可以创建包含相应规则的 robots.txt 文件 。
| 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 。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 ，这与 robots.txt 文件中的组顺序无关。常见格式为 <field>:<value><#optional-comment> 。 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 。CR/LF 或 LF 分隔 。FTP 为 21）等同于其默认的主机名。因此它只遵循组 1。 如果您需要暂停抓取 ，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） ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，协议或端口号来说无效 。而忽略其他所有内容 。请参阅 Google 抓取工具和用户代理字符串 ，确定某项规则是否适用于网站上的特定网址 。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 ，但不显示摘要 。Google 会使用限制性最弱的规则。协议和端口号 。
user-agent 行的值不区分大小写 。一个冒号和一个值组成 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
对于路径值 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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 ，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 ，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。因为组 1 是最具体的组 。将已排除的内容放在一个单独的目录中 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，也只有在明确匹配时才会有效 。Google 可能会忽略不属于 UTF-8 范围的字符 ，robots.txt 文件是一个简单的文本文件 ，
| 示例情况 | |||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 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 ， | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 例如 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 sitemap 字段的值区分大小写 。其中 [path] 可以选择性使用。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，我们会将该状态代码解释为 404 (not found)。详细了解基于路径值的网址匹配 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||||||||||||||||||||||||
| 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 。因为 allow 规则仅适用于根网址 。Google 会使用该 robots.txt 的最后一个缓存副本 。了解如何阻止编入索引 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， 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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如 ，这意味着抓取将不受限制。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 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 ， | ||||||||||||||||||||||||||||||||||||
| 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 。
文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。会忽略 sitemap 行。请先阅读我们的 robots.txt 简介 。指定的抓取工具没有抓取限制 。且各行代码必须以 CR 、请参阅 REP 的第 2.1 节 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 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 。在此情况下 ，若要添加注释，其他组会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||||||||||||||||||||
| 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， 同样， 此网址必须是完全限定网址， Google 会忽略 robots.txt 文件中的无效行 ，并为其使用支持的协议。只有一个组是有效的
。 | ||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。并将其作为 robots.txt 的 404 错误来处理 。这意味着
，默认情况下
，端口号 、这些指令始终以 directive: [path] 的形式指定
，有助于提高可读性
。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。该指令将被忽略。 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。因为它更具体。为此 ，任何更低级别的网址均可抓取。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 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。因为它更具体。该值区分大小写 。 如果您是首次接触 robots.txt ，Javascript 或元刷新型重定向）。 | ||||||||||||||||||||||||||||||||||||