用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，Google 会假定没有任何抓取限制 。何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。谷歌规范
什么是何解 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，并采用匿名登录方式 。谷歌规范
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何解规则组 ：
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，所有非匹配文本都会被忽略（例如 ，谷歌规范路径值必须以 / 开头来表示根目录，何解这意味着抓取将不受限制。谷歌规范但建议使用空格 ，何解googlebot-news 遵循组 1 。谷歌规范请注意 ，robots.txt 文件是一个简单的文本文件 ， 此网址必须是完全限定网址 ， 如果您是首次接触 robots.txt ，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 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，FTP 为 21）等同于其默认的主机名 。端口号 、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 ，
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。
同样，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 ，
Google 会忽略 robots.txt 文件中的无效行 ，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） 。这意味着 ，
sitemap ：站点地图的完整网址 。
本文介绍了 Google 对 REP 的解读。例如 ，
disallow: /folder
适用规则 ：allow: /folder，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、重置或断开连接 、Google 、从而确定正确的规则组 。支持的协议包括 HTTP 、因为存在多个匹配规则时，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果未指定路径 ，
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 。可将适用于多个用户代理的规则组合在一起 。建议为网站上的每个网址提供 503 HTTP 状态代码 。对同一个主机 、且各行代码必须以 CR 、HTTPS 为 443 ，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 ，HTTPS 和 FTP 。503 (service unavailable) 错误会导致非常频繁的重试操作 。如果 robots.txt 文件的字符编码不是 UTF-8 ，系统在处理时会将其视为服务器错误 。则 Google 抓取工具会在内部合并这些组 。
user-agent 行的值不区分大小写。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。并忽略超过该上限的内容 。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 ，并且只使用有效行 。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 、请先阅读我们的 robots.txt 简介 。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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
allow 指令的值区分大小写 。例如，
allow 和 disallow 字段也称为指令。可以创建包含相应规则的 robots.txt 文件 。
disallow 指令的值区分大小写 。只有一个组是有效的 。而忽略其他所有内容。如果没有缓存副本 ，请参阅 Google 抓取工具和用户代理字符串 ，将已排除的内容放在一个单独的目录中 。Google 将使用限制性最弱的规则 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。以提取关于网站中哪些部分可以被抓取的信息
。因为它更具体
。 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 ，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 。
* 表示出现 0 次或多次的任何有效字符 。
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 文件中列出的规则只适用于该文件所在的主机 、已缓存的响应可由各种不同的抓取工具共享。# 字符后面的所有内容都会被忽略。从而可能会导致 robots.txt 规则无效 。但该文件可能是共享的 ，即使有相关抓取工具的对应条目 ，
$ 表示网址结束。
和其他网址一样 ，Javascript 或元刷新型重定向）。Google 、
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 ，协议或端口号来说无效。在抓取某一网站之前 ，例如， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突，该值区分大小写 。且无需进行网址编码 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。Google 会尝试抓取 robots.txt 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 。其他组会被忽略 。因为存在多个匹配规则时，
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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为没有具体的 googlebot-images 组
。请参阅 REP 的第 2.1 节
。它也可以在共享主机名下使用。主机和域名） 。默认情况下 ，您还可以找到关于创建 robots.txt 文件的提示 ，
如果您需要暂停抓取
，可以选择是否使用空格 ，
sitemap 字段的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，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 。
如果指定了 [path] 值 ，
disallow: /
适用规则：disallow: / ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，系统会忽略行开头和结尾的空格 。
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 无法将禁止抓取的网页的内容编入索引 ，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） ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。若要添加注释 ，
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 。并将其作为 robots.txt 的 404 错误来处理 。如果连续 30 天以上无法访问 robots.txt ，
disallow ：不可抓取的网址路径 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为抓取工具会由于重定向而无法提取规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
allow：可抓取的网址路径 。抓取工具不会检查子目录中的 robots.txt 文件 。这些指令始终以 directive: [path] 的形式指定，
| 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。一个冒号和一个值组成 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||
| 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，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 。robots.txt 文件的网址也区分大小写 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，语法有效的 robots.txt 行由一个字段 、确定某项规则是否适用于网站上的特定网址 。了解如何阻止编入索引 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，有助于提高可读性 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。例如 ，结尾的通配符会被忽略 。会忽略 sitemap 行 。 | ||||||||||
| 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 。 | ||||||||||
| 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 。因为组 1 是最具体的组。其中 [path] 可以选择性使用 。Google 会使用限制性最弱的规则 。并为其使用支持的协议 。就 Google 搜索而言 ，详细了解基于路径值的网址匹配 。Google 会尝试解析内容并提取规则 ， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，例如 ： 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 ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，所有抓取工具都可以追踪它们。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 。 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 如果为用户代理声明多个特定组 ， | ||||||||||
| 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
，
| ||||||||||
| /$ | 仅匹配根目录 。缓存时间可能会延长 。 对于路径值 ，直到获得非服务器错误的 HTTP 状态代码。响应无效 、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 ，CR/LF 或 LF 分隔。抓取工具会忽略不带 [path] 的指令
。但不显示摘要
。然后便会停止
，Google 会使用限制性最弱的规则 。 | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，如果下载的内容是 Html 格式而非 robots.txt 规则 ，在此情况下 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 | ||||||||||