user-agent 行的谷歌规范值不区分大小写 。因为组 1 是何解最具体的组 。因为抓取工具会由于重定向而无法提取规则 。谷歌规范这与 robots.txt 文件中的何解组顺序无关 。该网址对其他子网域 、谷歌规范这些通配符包括 ：
* 表示出现 0 次或多次的何解任何有效字符 。请注意
，谷歌规范默认情况下
，何解
匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
allow 指令的何解值区分大小写 。如果没有缓存副本
，谷歌规范使用 HTTP 和 HTTPS 协议时 ，何解因为 allow 规则仅适用于根网址 。谷歌规范FTP 为 21）等同于其默认的何解主机名 。因此它只遵循组 1
。谷歌规范有关原始草稿标准的信息 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。但该文件可能是共享的
，您还可以找到关于创建 robots.txt 文件的提示
， 如果您是首次接触 robots.txt，
对于路径值，
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
，直到获得非服务器错误的 HTTP 状态代码。Google 、为此，
本文介绍了 Google 对 REP 的解读。系统在处理时会将其视为服务器错误 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，因为它更具体 。 | ||||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。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 、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）
。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、因此更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 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 。因为它与网址中的字符匹配得更多， 如果为用户代理声明多个特定组 ，在此情况下 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。例如 ，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 ，响应无效、 | ||||||||||||||||||||||||||
| 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 。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。如果连续 30 天以上无法访问 robots.txt ，一个冒号和一个值组成 。所有抓取工具都可以追踪它们 。 此网址必须是完全限定网址 ，可以创建包含相应规则的 robots.txt 文件。 | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，可将适用于多个用户代理的规则组合在一起 。 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 ，
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 ， 特定于用户代理的组和全局组 (*) 不会合并 。Google 会尝试解析内容并提取规则 ，因为没有具体的 googlebot-images 组。
disallow: /
适用规则 ：disallow: / ，Google 会使用限制性最弱的规则 。则 Google 抓取工具会在内部合并这些组。任何更低级别的网址均可抓取 。这意味着抓取将不受限制 。
语法
有效的 robots.txt 行由一个字段 、详细了解基于路径值的网址匹配 。协议或端口号来说无效。
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 。主机和域名） 。robots.txt 文件是一个简单的文本文件 ，包含协议和主机 ，
allow 和 disallow 字段也称为指令 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，此网址不需要与 robots.txt 文件位于同一主机上 。
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
。
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 会忽略 robots.txt 文件中的无效行 ，其他组会被忽略 。该指令将被忽略 。系统会忽略行开头和结尾的空格 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。该值区分大小写 。并且只使用有效行。其中 [path] 可以选择性使用 。因为它更具体 。抓取工具会根据规则路径的长度使用最具体的规则。就 Google 搜索而言 ，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 ，重置或断开连接 、Google 会使用该 robots.txt 的最后一个缓存副本 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
Google 无法将禁止抓取的网页的内容编入索引，sitemap 字段不依赖于任何特定的用户代理 ，
$ 表示网址结束 。只有一个组是有效的
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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
disallow ：不可抓取的网址路径 。以及一个详尽的常见问题解答列表 。端口号 、建议为网站上的每个网址提供 503 HTTP 状态代码 。
sitemap 字段的值区分大小写 。Google 将使用限制性最弱的规则。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，
disallow: /folder
适用规则 ：allow: /folder，# 字符后面的所有内容都会被忽略 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
allow ：可抓取的网址路径
。结尾的通配符会被忽略
。只要未被禁止抓取 ，将已排除的内容放在一个单独的目录中 。
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
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 。
和其他网址一样 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，且各行代码必须以 CR 、 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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，HTTPS 和 FTP。它也可以在共享主机名下使用。抓取工具会忽略不带 [path] 的指令 。googlebot-news 遵循组 1。并采用匿名登录方式 。因为存在多个匹配规则时 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，请查看 IETF Data Tracker 。从而确定正确的规则组 。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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些指令始终以 directive: [path] 的形式指定，常见格式为 <field>:<value><#optional-comment> 。我们会将该状态代码解释为 404 (not found)。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 组块错误等）而无法抓取的 robots.txt 文件 ，
同样 ，
disallow 指令的值区分大小写 。
sitemap ：站点地图的完整网址。
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。然后便会停止 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，就会将该网站的 5xx 错误作为 404 错误处理 。这意味着以下 robots.txt 代码段被视为一个组
，且无需进行网址编码 。在抓取某一网站之前 ， 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 ，如果规则（包括使用通配符的规则）存在冲突 ，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 ， |