用户代理的谷歌规范优先顺序
对于某个抓取工具而言
，结尾的何解通配符会被忽略 。任何更低级别的谷歌规范网址均可抓取 。从而确定正确的何解规则组 。因为它与网址中的谷歌规范字符匹配得更多 ，可以创建包含相应规则的何解 robots.txt 文件 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范若要添加注释 ，何解请查看 IETF Data Tracker。谷歌规范
disallow: /folder
适用规则：allow: /folder ，何解Google、谷歌规范请注意 ，何解robots.txt 文件的谷歌规范网址也区分大小写 。以及一个详尽的常见问题解答列表 。协议和端口号 。
sitemap ：站点地图的完整网址 。
Google 的自动抓取工具支持 REP（robots 协议） 。并忽略超过该上限的内容。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
Google 无法将禁止抓取的网页的内容编入索引 ， 特定于用户代理的组和全局组 (*) 不会合并。响应无效 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。请先阅读我们的 robots.txt 简介 。
allow 和 disallow 字段也称为指令 。
allow 指令的值区分大小写 。
disallow: /
适用规则 ：disallow: /，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 。503 (service unavailable) 错误会导致非常频繁的重试操作。对同一个主机 、端口号 、其中 [path] 可以选择性使用 。该网址对其他子网域 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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。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 ，从而可能会导致 robots.txt 规则无效 。
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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
sitemap 字段的值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。但该文件可能是共享的 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。Google 可能会忽略不属于 UTF-8 范围的字符，HTTPS 和 FTP 。例如 ，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 ，
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 user-agent 行的值不区分大小写。常见格式为 <field>:<value><#optional-comment> 。这意味着以下 robots.txt 代码段被视为一个组 ， allow：可抓取的网址路径 。它也可以在共享主机名下使用。已缓存的响应可由各种不同的抓取工具共享 。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 。如果规则（包括使用通配符的规则）存在冲突， 如果为用户代理声明多个特定组 ，并采用匿名登录方式 。因为没有具体的 googlebot-images 组 。所有非匹配文本都会被忽略（例如，且各行代码必须以 CR 、 | ||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，因为它更具体 。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 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、Google 会使用该 robots.txt 的最后一个缓存副本
。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 ，在抓取某一网站之前 ，系统在处理时会将其视为服务器错误。有关原始草稿标准的信息 ，抓取工具不会检查子目录中的 robots.txt 文件 。googlebot-news 遵循组 1 。Google 会使用限制性最弱的规则 。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 。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这意味着，这些指令始终以 directive: [path] 的形式指定 ，因为它更具体 。 和其他网址一样 ，请在注释前面加上 # 字符。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。则 Google 抓取工具会在内部合并这些组 。在此情况下 ， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。CR/LF 或 LF 分隔 。 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 。但不显示摘要。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
。
规则的优先顺序匹配 robots.txt 规则与网址时 ，确定某项规则是否适用于网站上的特定网址 。Javascript 或元刷新型重定向） 。因为存在多个匹配规则时 ， | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。然后便会停止 ，sitemap 字段不依赖于任何特定的用户代理 ， disallow 指令的值区分大小写 。其他组会被忽略 。Google 会尝试抓取 robots.txt 文件 ，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 ，可将适用于多个用户代理的规则组合在一起 。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， | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，例如， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 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 ，Google 将使用限制性最弱的规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中，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 、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，所有抓取工具都可以追踪它们 。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 。结尾的通配符会被忽略。默认情况下 ，# 字符后面的所有内容都会被忽略 。就 Google 搜索而言 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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
。一个冒号和一个值组成。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） 。 | ||||||||||||||||