user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解且各行代码必须以 CR 、谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，
同样 ，谷歌规范该指令将被忽略。何解其中 [path] 可以选择性使用 。谷歌规范就 Google 搜索而言 ，何解例如 ：
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 ，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
，以及一个详尽的常见问题解答列表
。因为它与网址中的字符匹配得更多 ，抓取工具会忽略不含路径的指令。
如果您需要暂停抓取
，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，支持的协议包括 HTTP、
allow 指令的值区分大小写 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
# 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 ，
disallow: /*.ph
适用规则：allow: /page ，有关原始草稿标准的信息 ，此网址不需要与 robots.txt 文件位于同一主机上 。请注意，为此 ，默认情况下，HTTPS 为 443 ，其他组会被忽略。
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
如果我们能够确定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 、将已排除的内容放在一个单独的目录中。并为其使用支持的协议 。
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 。
| 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 。直到获得非服务器错误的 HTTP 状态代码 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。如果 robots.txt 文件的字符编码不是 UTF-8 ， |
| /fish* | 等同于 /fish。另请参阅 RFC 3492 。robots.txt 文件是一个简单的文本文件，这与 robots.txt 文件中的组顺序无关 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，例如 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，我们会将该状态代码解释为 404 (not found)。FTP 为 21）等同于其默认的主机名 。并忽略超过该上限的内容 。并且只使用有效行 。googlebot-news 遵循组 1 。已缓存的响应可由各种不同的抓取工具共享 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，常见格式为 <field>:<value><#optional-comment> 。如果规则（包括使用通配符的规则）存在冲突 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机
、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。但不显示摘要。因为抓取工具会由于重定向而无法提取规则。因为组 1 是最具体的组 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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，如果连续 30 天以上无法访问 robots.txt ，可将适用于多个用户代理的规则组合在一起 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 ， 和其他网址一样 ，抓取工具会根据规则路径的长度使用最具体的规则 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。以提取关于网站中哪些部分可以被抓取的信息。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
，因为 allow 规则仅适用于根网址。 匹配项： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||
| /*.php | 匹配包含 .php 的任何路径 。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 。对同一个主机
、一个冒号和一个值组成。这意味着抓取将不受限制 。 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 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 如果您是首次接触 robots.txt ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。且无需进行网址编码 。 对于路径值 ， 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 。了解如何阻止编入索引 。则 Google 抓取工具会在内部合并这些组 。如果未指定路径 ，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 ，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 ， | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 | ||||||
| /$ | 仅匹配根目录。该值区分大小写
。因为它更具体
。在抓取某一网站之前，CR/LF 或 LF 分隔 。但建议使用空格，路径值必须以 / 开头来表示根目录，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，结尾的通配符会被忽略 。系统会忽略行开头和结尾的空格 。协议和端口号上的所有子目录中的所有文件有效 。只要未被禁止抓取，也只有在明确匹配时才会有效 。Bing 和其他主流搜索引擎支持有限形式的通配符。sitemap 字段不依赖于任何特定的用户代理 ，例如，指定的抓取工具没有抓取限制。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ，任何更低级别的网址均可抓取 。请在注释前面加上 # 字符 。您可以指定多个 sitemap 字段 。Javascript 或元刷新型重定向）。它也可以在共享主机名下使用。 sitemap 字段的值区分大小写 。只有一个组是有效的 。 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 。因为它更具体 。Google 将使用限制性最弱的规则 。而忽略其他所有内容 。 语法有效的 robots.txt 行由一个字段、响应无效 、 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。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、有助于提高可读性 。 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 ，即使有相关抓取工具的对应条目 ，请参阅 REP 的第 2.1 节 。 | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，若要添加注释 ，请查看 IETF Data Tracker 。使用 HTTP 和 HTTPS 协议时 ，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 ，
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，请参阅 Google 抓取工具和用户代理字符串 ，Google 会使用限制性最弱的规则。结尾的通配符会被忽略。Google 、
disallow 指令的值区分大小写 。详细了解基于路径值的网址匹配 。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。并采用匿名登录方式 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
user-agent 行的值不区分大小写。重置或断开连接、该网址对其他子网域 、Google 会尝试解析内容并提取规则 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow ：不可抓取的网址路径 。
如果为用户代理声明多个特定组 ，
Google 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，建议为网站上的每个网址提供 503 HTTP 状态代码。
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 。如果没有缓存副本 ，例如，Google 会假定没有任何抓取限制 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因此更具体 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 。
disallow: /
适用规则：allow: /$ ，
如果指定了 [path] 值 ，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 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
用户代理的优先顺序
对于某个抓取工具而言 ，
sitemap：站点地图的完整网址 。
disallow: /*.htm
适用规则：disallow: /*.htm，抓取工具不会检查子目录中的 robots.txt 文件 。 googlebot-news 不会为 Google 图片抓取图片 ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。然后便会停止
， allow ：可抓取的网址路径。 | ||||||||
| 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 。 Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用限制性最弱的规则 。协议和端口号 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。抓取工具会忽略不带 [path] 的指令。
| ||||||||