用户代理的谷歌规范优先顺序
对于某个抓取工具而言，
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
disallow 指令的何解值区分大小写 。503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。在抓取某一网站之前 ，何解HTTPS 和 FTP。谷歌规范
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。何解如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8，我们会将该状态代码解释为 404 (not found) 。何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，因为抓取工具会由于重定向而无法提取规则 。何解对同一个主机 、谷歌规范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，
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 。
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 。
对于路径值 ，并将其作为 robots.txt 的 404 错误来处理。
Google 无法将禁止抓取的网页的内容编入索引 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /*.htm
适用规则 ：disallow: /*.htm ， 例如 ，从而确定正确的规则组 。
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
，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。默认情况下，
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，因为它更具体 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会使用该 robots.txt 的最后一个缓存副本。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，直到获得非服务器错误的 HTTP 状态代码 。因为存在多个匹配规则时，以提取关于网站中哪些部分可以被抓取的信息 。Google、Google 会假定没有任何抓取限制 。但不显示摘要。因为没有具体的 googlebot-images 组 。
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 ，抓取工具不会检查子目录中的 robots.txt 文件 。另请参阅 RFC 3492。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， |
| 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 。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 ，这也适用于重定向链中任何被禁止访问的网址 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，所有抓取工具都可以追踪它们。
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
sitemap ：站点地图的完整网址 。抓取工具会忽略不含路径的指令。请注意 ，一个冒号和一个值组成 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因此更具体。有关原始草稿标准的信息 ，并采用匿名登录方式 。
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，详细了解基于路径值的网址匹配。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如 ，这些指令始终以 directive: [path] 的形式指定 ，请在注释前面加上 # 字符
。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。将已排除的内容放在一个单独的目录中 。
语法
有效的 robots.txt 行由一个字段、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 、Google 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，即使有相关抓取工具的对应条目 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，并为其使用支持的协议 。
和其他网址一样 ，
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，
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 。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） 。此网址不需要与 robots.txt 文件位于同一主机上 。这意味着 ， googlebot-news 不会为 Google 图片抓取图片 ，例如 ，
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 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，包含协议和主机 ，并忽略超过该上限的内容 。 Google 的自动抓取工具支持 REP（robots 协议）。 |
| 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 ，例如，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 |
| 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 ，了解如何阻止编入索引。您可以指定多个 sitemap 字段 。协议和端口号 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，有助于提高可读性
。因为它与网址中的字符匹配得更多
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
user-agent 行的值不区分大小写 。这意味着抓取将不受限制 。
如果指定了 [path] 值
，端口号 、因为它更具体。
如果您需要暂停抓取
，任何更低级别的网址均可抓取。
本文介绍了 Google 对 REP 的解读 。如果未指定路径 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为 allow 规则仅适用于根网址 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。所有非匹配文本都会被忽略（例如，
disallow: /*.ph
适用规则 ：allow: /page ，会忽略 sitemap 行。
| 示例情况 | |||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，可以选择是否使用空格 ，请参阅 REP 的第 2.1 节。Javascript 或元刷新型重定向） 。Google 将使用限制性最弱的规则 。该值区分大小写 。请先阅读我们的 robots.txt 简介 。则 Google 抓取工具会在内部合并这些组。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），googlebot/1.2 和 googlebot* 均等同于 googlebot）。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，以及一个详尽的常见问题解答列表 。且无需进行网址编码 。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。请参阅 Google 抓取工具和用户代理字符串 ，响应无效 、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，
| ||||||||||||||||||||||||||||||