user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解该指令将被忽略 。谷歌规范抓取工具会忽略不含路径的何解指令 。路径值必须以 / 开头来表示根目录 ，谷歌规范
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。端口号 、谷歌规范协议和端口号。何解
| 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 。谷歌规范 和其他网址一样 ，何解 | ||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的谷歌规范其他 Google 抓取工具遵循组 2 。并采用匿名登录方式 。何解 | ||||||||||||||||
| 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 ，谷歌规范 如果为用户代理声明多个特定组 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，这与 robots.txt 文件中的组顺序无关。确定某项规则是否适用于网站上的特定网址 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，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，在抓取某一网站之前 ， Google 无法将禁止抓取的网页的内容编入索引，这也适用于重定向链中任何被禁止访问的网址，如果没有缓存副本 ，结尾的通配符会被忽略。 | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，任何更低级别的网址均可抓取 。Google 会使用该 robots.txt 的最后一个缓存副本 。 $ 表示网址结束。 本文介绍了 Google 对 REP 的解读。使用 HTTP 和 HTTPS 协议时 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、从而确定正确的规则组。 | ||||||||||||||||
| 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，一个冒号和一个值组成 。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，结尾的通配符会被忽略。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 如果您是首次接触 robots.txt，FTP 为 21）等同于其默认的主机名 。# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为存在多个匹配规则时 ， | ||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统在处理时会将其视为服务器错误 。因为它与网址中的字符匹配得更多
，
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
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 ，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、协议或端口号来说无效
。
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 。
语法
有效的 robots.txt 行由一个字段、
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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTPS 为 443 ，但该文件可能是共享的
，因此更具体 。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 。 disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则 。您可以指定多个 sitemap 字段。Google 会尝试抓取 robots.txt 文件 ，已缓存的响应可由各种不同的抓取工具共享 。抓取工具不会检查子目录中的 robots.txt 文件 。 对于路径值 ，因为它更具体。详细了解基于路径值的网址匹配 。 |
| 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。并忽略超过该上限的内容 。Google 将使用限制性最弱的规则 。 googlebot-news 不会为 Google 图片抓取图片 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为它更具体 。若要添加注释
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、您还可以找到关于创建 robots.txt 文件的提示，请先阅读我们的 robots.txt 简介 。Bing 和其他主流搜索引擎支持有限形式的通配符 。例如
，如果规则（包括使用通配符的规则）存在冲突 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
sitemap ：站点地图的完整网址。
同样，Google、
disallow: /*.ph
适用规则 ：allow: /page，有关原始草稿标准的信息 ，
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 ， 此网址必须是完全限定网址 ，主机和域名） 。了解如何阻止编入索引 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
* 表示出现 0 次或多次的任何有效字符 。协议和端口号上的所有子目录中的所有文件有效 。请在注释前面加上 # 字符 。也只有在明确匹配时才会有效 。
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 。该值区分大小写 。Google 会使用限制性最弱的规则 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
| 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。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） 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，这意味着 ，以及一个详尽的常见问题解答列表 。因为存在多个匹配规则时 ，因为 allow 规则仅适用于根网址 。则 Google 抓取工具会在内部合并这些组 。例如，robots.txt 文件的网址也区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，对同一个主机、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
用户代理的优先顺序
对于某个抓取工具而言，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。
如果我们能够确定
，
sitemap 字段的值区分大小写 。 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 。可以选择是否使用空格 ，该网址对其他子网域 、
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 。CR/LF 或 LF 分隔 。而忽略其他所有内容 。这些指令始终以 directive: [path] 的形式指定 ，它也可以在共享主机名下使用 。这意味着以下 robots.txt 代码段被视为一个组 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为没有具体的 googlebot-images 组 。Google 、
user-agent 行的值不区分大小写 。
disallow 指令的值区分大小写 。在此情况下 ，Javascript 或元刷新型重定向）。为此 ，系统会忽略行开头和结尾的空格 。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 ，如果连续 30 天以上无法访问 robots.txt ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。robots.txt 文件是一个简单的文本文件 ，请参阅 Google 抓取工具和用户代理字符串，就 Google 搜索而言 ，只要未被禁止抓取 ，且各行代码必须以 CR 、例如，将已排除的内容放在一个单独的目录中 。所有非匹配文本都会被忽略（例如，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
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。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 特定于用户代理的组和全局组 (*) 不会合并 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 ，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 ， allow 指令的值区分大小写 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。503 (service unavailable) 错误会导致非常频繁的重试操作。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），Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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 。所有抓取工具都可以追踪它们 。抓取工具会忽略不带 [path] 的指令。sitemap 字段不依赖于任何特定的用户代理
，并为其使用支持的协议 。其他组会被忽略
。 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 。 Google 会忽略 robots.txt 文件中的无效行 ，可将适用于多个用户代理的规则组合在一起 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如 ， allow 和 disallow 字段也称为指令 。从而可能会导致 robots.txt 规则无效 。其中 [path] 可以选择性使用。就会将该网站的 5xx 错误作为 404 错误处理 。 |