user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。因为它更具体。何解
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、这些通配符包括 ：
* 表示出现 0 次或多次的何解任何有效字符。
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时，将已排除的何解内容放在一个单独的目录中。也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析）。另请参阅 RFC 3492 。何解
disallow 指令的谷歌规范值区分大小写 。并忽略超过该上限的何解内容。有助于提高可读性 。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 。谷歌规范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，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，且无需进行网址编码 。并采用匿名登录方式 。例如 ，从而可能会导致 robots.txt 规则无效 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 ，确定某项规则是否适用于网站上的特定网址 。 如果您是首次接触 robots.txt ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，已缓存的响应可由各种不同的抓取工具共享 。
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 ，
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 ，在此情况下 ，
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。Bing 和其他主流搜索引擎支持有限形式的通配符 。
如果我们能够确定，路径值必须以 / 开头来表示根目录 ，请查看 IETF Data Tracker。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，可以创建包含相应规则的 robots.txt 文件。默认情况下 ，这也适用于重定向链中任何被禁止访问的网址 ，Google 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就 Google 搜索而言，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、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 ，因为它与网址中的字符匹配得更多 ，但不显示摘要 。
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 ，并将其作为 robots.txt 的 404 错误来处理。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） ，Google 会尝试抓取 robots.txt 文件 ，
allow ：可抓取的网址路径 。因为 allow 规则仅适用于根网址。协议或端口号来说无效 。
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 ，然后便会停止，
Google 的自动抓取工具支持 REP（robots 协议）。因为它更具体 。例如 ，
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 。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 。主机和域名） 。并且只使用有效行 。
用户代理的优先顺序
对于某个抓取工具而言 ，
| 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 。 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 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。在抓取某一网站之前 ，其中 [path] 可以选择性使用。这意味着抓取将不受限制。Google 将使用限制性最弱的规则。如果没有缓存副本 ，请参阅 REP 的第 2.1 节
。HTTPS 和 FTP。系统会忽略行开头和结尾的空格 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 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 。从而确定正确的规则组。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、请参阅 Google 抓取工具和用户代理字符串，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，这些指令始终以 directive: [path] 的形式指定， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 | ||||||||||
| /fish* | 等同于 /fish 。 如果指定了 [path] 值，只要未被禁止抓取 ， 例如 ，我们会将该状态代码解释为 404 (not found) 。这与 robots.txt 文件中的组顺序无关。请注意， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page， 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。就会将该网站的 5xx 错误作为 404 错误处理 。 sitemap ：站点地图的完整网址 。 allow 指令的值区分大小写 。抓取工具会忽略不带 [path] 的指令 。且各行代码必须以 CR、 | ||||||||||
| 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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 、有关原始草稿标准的信息 ，响应无效 、googlebot-news 遵循组 1 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，您还可以找到关于创建 robots.txt 文件的提示 ，如果下载的内容是 Html 格式而非 robots.txt 规则
，结尾的通配符会被忽略。 $ 表示网址结束 。 对于路径值， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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 。这意味着，
disallow: /*.htm
适用规则：disallow: /*.htm，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），
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，包含协议和主机 ，会忽略 sitemap 行。详细了解基于路径值的网址匹配。因此更具体 。 Google 无法将禁止抓取的网页的内容编入索引， user-agent 行的值不区分大小写。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。例如 ，为此 ， 语法有效的 robots.txt 行由一个字段 、端口号 、Javascript 或元刷新型重定向） 。直到获得非服务器错误的 HTTP 状态代码 。该值区分大小写 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。因为没有具体的 googlebot-images 组 。robots.txt 文件是一个简单的文本文件 ，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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。协议和端口号上的所有子目录中的所有文件有效 。该网址对其他子网域、因此它只遵循组 1。 如果为用户代理声明多个特定组 ，CR/LF 或 LF 分隔 。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 。即使有相关抓取工具的对应条目 ， | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。
| ||||||||||||||||