user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解因此它只遵循组 1 。谷歌规范这与 robots.txt 文件中的何解组顺序无关 。抓取工具会忽略不带 [path] 的谷歌规范指令 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。何解请查看 IETF Data Tracker 。谷歌规范主机和域名） 。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。
allow 和 disallow 字段也称为指令 。在此情况下 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。直到获得非服务器错误的 HTTP 状态代码 。支持的协议包括 HTTP 、
同样，如果连续 30 天以上无法访问 robots.txt ，这意味着抓取将不受限制 。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 ，在抓取某一网站之前 ，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 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、 如果您是首次接触 robots.txt，协议和端口号上的所有子目录中的所有文件有效 。请先阅读我们的 robots.txt 简介 。
sitemap 字段的值区分大小写。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 ，例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），从而可能会导致 robots.txt 规则无效 。
disallow: /*.ph
适用规则 ：allow: /page ，可以选择是否使用空格 ，只有一个组是有效的 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为 allow 规则仅适用于根网址 。
allow 指令的值区分大小写 。如果没有缓存副本，它也可以在共享主机名下使用 。请注意，结尾的通配符会被忽略 。了解如何阻止编入索引 。Google 会使用该 robots.txt 的最后一个缓存副本 。
本文介绍了 Google 对 REP 的解读。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 、
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 。缓存时间可能会延长 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，robots.txt 文件是一个简单的文本文件 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，此网址不需要与 robots.txt 文件位于同一主机上
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果您需要暂停抓取 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，并且只使用有效行 。结尾的通配符会被忽略 。
user-agent 行的值不区分大小写。会忽略 sitemap 行 。 googlebot-news 不会为 Google 图片抓取图片 ，对同一个主机、
| 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 ： /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 。 语法有效的 robots.txt 行由一个字段 、您还可以找到关于创建 robots.txt 文件的提示 ，例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 如果指定了 [path] 值 ， |
| 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 。该指令将被忽略 。系统会忽略行开头和结尾的空格 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 此网址必须是完全限定网址 ， Google 的自动抓取工具支持 REP（robots 协议） 。 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 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、即使有相关抓取工具的对应条目 ，该网址对其他子网域 、这些指令始终以 directive: [path] 的形式指定 ，其中 [path] 可以选择性使用。googlebot-news 遵循组 1 。 |
| Googlebot（网络） | googlebot 遵循组 3。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| 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 ， 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。 |
| /fish | 匹配以 /fish 开头的任何路径
。协议和端口号。例如，但不显示摘要
。Google 会尝试解析内容并提取规则
， 如果我们能够确定 ， 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。也只有在明确匹配时才会有效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。 $ 表示网址结束。 用户代理的优先顺序对于某个抓取工具而言 ，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， |
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具不会检查子目录中的 robots.txt 文件 。因为它更具体 。您可以指定多个 sitemap 字段 。请参阅 Google 抓取工具和用户代理字符串 ，请在注释前面加上 # 字符 。路径值必须以 / 开头来表示根目录 ，默认情况下 ，详细了解基于路径值的网址匹配 。并将其作为 robots.txt 的 404 错误来处理 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因此更具体。协议或端口号来说无效 。# 字符后面的所有内容都会被忽略。 |
| Googlebot Images | googlebot-images 遵循组 2，任何更低级别的网址均可抓取 。 对于路径值 ， disallow 指令的值区分大小写 。其他组会被忽略 。Google 会假定没有任何抓取限制 。就会将该网站的 5xx 错误作为 404 错误处理。但该文件可能是共享的
，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 。如果 robots.txt 文件的字符编码不是 UTF-8，Google 、这也适用于重定向链中任何被禁止访问的网址
，另请参阅 RFC 3492 。Google、 robots.txt 文件中列出的规则只适用于该文件所在的主机、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 例如，
disallow: /folder
适用规则：allow: /folder ，
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，包含协议和主机 ，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，
| 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 。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 。因为存在多个匹配规则时 ，抓取工具会忽略不含路径的指令。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，该值区分大小写。
| ||||||||||||||||||||||||||||||||||||