user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议
、从而可能会导致 robots.txt 规则无效
。谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。因为组 1 是谷歌规范最具体的组
。
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。其中 [path] 可以选择性使用 。谷歌规范请查看 IETF Data Tracker 。何解包含协议和主机，谷歌规范并采用匿名登录方式 。
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 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap 字段的值区分大小写 。
| 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 。并忽略超过该上限的内容 。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 无法将禁止抓取的网页的内容编入索引，主机和域名）。 例如 ，googlebot-news 遵循组 1 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， 语法有效的 robots.txt 行由一个字段 、 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，这意味着以下 robots.txt 代码段被视为一个组 ，您还可以找到关于创建 robots.txt 文件的提示 ，它也可以在共享主机名下使用。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，在此情况下 ，Google 、协议和端口号 。 allow ：可抓取的网址路径。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 ，HTTPS 和 FTP。HTTPS 为 443 ，响应无效 、只要未被禁止抓取
，直到获得非服务器错误的 HTTP 状态代码 。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 ， |
| /* | 等同于 /。从而确定正确的规则组 。 |
| 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 会使用限制性最弱的规则 。并为其使用支持的协议 。请先阅读我们的 robots.txt 简介 。 Google 会忽略 robots.txt 文件中的无效行 ，如果没有缓存副本 ，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 。 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 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、这意味着抓取将不受限制。 disallow 指令的值区分大小写 。 allow 和 disallow 字段也称为指令。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 ， |
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。重置或断开连接 、可以选择是否使用空格 ，因为 allow 规则仅适用于根网址 。
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
disallow: /*.ph
适用规则：allow: /page ，任何更低级别的网址均可抓取 。这意味着 ，因为它更具体 。
如果指定了 [path] 值，如果规则（包括使用通配符的规则）存在冲突 ，请在注释前面加上 # 字符 。
如果为用户代理声明多个特定组 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，若要添加注释 ，这与 robots.txt 文件中的组顺序无关 。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 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。 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。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，503 (service unavailable) 错误会导致非常频繁的重试操作
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。因为没有具体的 googlebot-images 组
。 Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具。 同样，我们会将该状态代码解释为 404 (not found) 。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。Google 会假定没有任何抓取限制。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 可能会忽略不属于 UTF-8 范围的字符， user-agent 行的值不区分大小写。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，robots.txt 文件的网址也区分大小写 。Google 会使用该 robots.txt 的最后一个缓存副本 。端口号 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，并且只使用有效行 。抓取工具不会检查子目录中的 robots.txt 文件 。例如 ，因此更具体 。robots.txt 文件是一个简单的文本文件 ，所有抓取工具都可以追踪它们 。 特定于用户代理的组和全局组 (*) 不会合并 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，就 Google 搜索而言，了解如何阻止编入索引 。会忽略 sitemap 行 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 和其他网址一样， | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。支持的协议包括 HTTP
、使用 HTTP 和 HTTPS 协议时 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。该值区分大小写 。 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， | ||||||||||||||||||
| 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 。CR/LF 或 LF 分隔。因为它更具体 。系统会忽略行开头和结尾的空格 。因为它与网址中的字符匹配得更多 ， Google 的自动抓取工具支持 REP（robots 协议） 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），如果下载的内容是 Html 格式而非 robots.txt 规则 ， 对于路径值 ，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 。这些指令始终以 directive: [path] 的形式指定 ，Google 会尝试抓取 robots.txt 文件 ，因为存在多个匹配规则时，有关原始草稿标准的信息 ，将已排除的内容放在一个单独的目录中 。因为抓取工具会由于重定向而无法提取规则。详细了解基于路径值的网址匹配 。一个冒号和一个值组成 。Google 将使用限制性最弱的规则。请参阅 REP 的第 2.1 节 。Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||
| 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 ，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 ， | ||||||||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。也只有在明确匹配时才会有效 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如 ，并将其作为 robots.txt 的 404 错误来处理。其他组会被忽略 。协议和端口号上的所有子目录中的所有文件有效。 此网址必须是完全限定网址 ，此网址不需要与 robots.txt 文件位于同一主机上 。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），您可以指定多个 sitemap 字段 。 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 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，Javascript 或元刷新型重定向） 。对同一个主机 、且无需进行网址编码 。 本文介绍了 Google 对 REP 的解读。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，且各行代码必须以 CR 、如果连续 30 天以上无法访问 robots.txt ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 ，
| ||||||||||||||||||