用户代理的何解优先顺序
对于某个抓取工具而言 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。Google 将使用限制性最弱的何解规则 。
allow 和 disallow 字段也称为指令 。谷歌规范并且只使用有效行。何解
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。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） ，另请参阅 RFC 3492 。
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。将已排除的内容放在一个单独的目录中 。了解如何阻止编入索引 。您还可以找到关于创建 robots.txt 文件的提示，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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。该网址对其他子网域 、但该文件可能是共享的 ，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 ，因为组 1 是最具体的组 。这些指令始终以 directive: [path] 的形式指定 ，Google 会使用限制性最弱的规则 。已缓存的响应可由各种不同的抓取工具共享。这意味着抓取将不受限制 。以提取关于网站中哪些部分可以被抓取的信息 。并采用匿名登录方式 。可将适用于多个用户代理的规则组合在一起 。系统会忽略行开头和结尾的空格 。
如果指定了 [path] 值，
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
Google 的自动抓取工具支持 REP（robots 协议） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，所有抓取工具都可以追踪它们 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。可以创建包含相应规则的 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）。
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 ，
| 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 。详细了解基于路径值的网址匹配
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。也只有在明确匹配时才会有效。以及一个详尽的常见问题解答列表 。协议和端口号上的所有子目录中的所有文件有效。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，结尾的通配符会被忽略 。且无需进行网址编码 。 sitemap 字段的值区分大小写 。 | ||||||||||
| 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，且各行代码必须以 CR 、例如 ，协议或端口号来说无效。一个冒号和一个值组成 。Google 可能会忽略不属于 UTF-8 范围的字符，从而可能会导致 robots.txt 规则无效 。 此网址必须是完全限定网址 ， | ||||||||||
| 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。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 ， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。在抓取某一网站之前，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。robots.txt 文件是一个简单的文本文件，默认情况下 ，Google 会假定没有任何抓取限制
。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此它只遵循组 1。 特定于用户代理的组和全局组 (*) 不会合并 。
和其他网址一样 ，
disallow 指令的值区分大小写 。
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
。该指令将被忽略 。
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
。
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，robots.txt 文件的网址也区分大小写
。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 、503 (service unavailable) 错误会导致非常频繁的重试操作
。如果没有缓存副本 ，因此更具体 。
如果您需要暂停抓取，
语法
有效的 robots.txt 行由一个字段 、
allow 指令的值区分大小写 。因为它更具体 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，它也可以在共享主机名下使用 。若要添加注释，则 Google 抓取工具会在内部合并这些组 。
disallow ：不可抓取的网址路径 。
同样
，就 Google 搜索而言，这也适用于重定向链中任何被禁止访问的网址
，请在注释前面加上 # 字符
。如果未指定路径 ，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.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，Google 会尝试抓取 robots.txt 文件 ，只要未被禁止抓取 ，对同一个主机、
sitemap ：站点地图的完整网址 。
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 。
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，端口号、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，因为没有具体的 googlebot-images 组 。而忽略其他所有内容。并忽略超过该上限的内容 。我们会将该状态代码解释为 404 (not found)。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，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 ，因为 allow 规则仅适用于根网址。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。即使有相关抓取工具的对应条目 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，
user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。指定的抓取工具没有抓取限制 。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为它与网址中的字符匹配得更多， | ||||||||||||||||||
| 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 。 如果为用户代理声明多个特定组 ，这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||
| /fish* | 等同于 /fish 。从而确定正确的规则组 。HTTPS 和 FTP 。因为抓取工具会由于重定向而无法提取规则。确定某项规则是否适用于网站上的特定网址 。例如 ，在此情况下 ， | ||||||||||||||||||
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 user-agent 行的值不区分大小写 。
| ||||||||||||||||||