用户代理的何解优先顺序
对于某个抓取工具而言 ， 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。这意味着以下 robots.txt 代码段被视为一个组 ，何解且各行代码必须以 CR 、谷歌规范
disallow: /folder
适用规则：allow: /folder ，谷歌规范该指令将被忽略。何解 如果您是谷歌规范首次接触 robots.txt ，
示例
user-agent 字段的何解匹配情况
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 ，因此它只遵循组 1 。谷歌规范googlebot-news 遵循组 1 。何解 |
allow ：可抓取的网址路径 。例如，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 ，从而确定正确的规则组。协议和端口号 。即使有相关抓取工具的对应条目，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 。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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
disallow 指令的值区分大小写 。因为没有具体的 googlebot-images 组 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
本文介绍了 Google 对 REP 的解读。robots.txt 文件的网址也区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引，因为它与网址中的字符匹配得更多，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，端口号 、对同一个主机 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。FTP 为 21）等同于其默认的主机名 。抓取工具会忽略不带 [path] 的指令。
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 ，
disallow ：不可抓取的网址路径。请注意 ，并忽略超过该上限的内容。并为其使用支持的协议 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。因为存在多个匹配规则时 ， 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。协议或端口号来说无效 。抓取工具会忽略不含路径的指令 。如果未指定路径 ，在抓取某一网站之前 ，
Google 会忽略 robots.txt 文件中的无效行 ，
$ 表示网址结束 。这些指令始终以 directive: [path] 的形式指定 ，默认情况下 ，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。
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 。因为它更具体 。响应无效 、
如果指定了 [path] 值，有关原始草稿标准的信息
，CR/LF 或 LF 分隔
。可以选择是否使用空格 ，
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
，
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
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 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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） 。而忽略其他所有内容 。
sitemap 字段的值区分大小写。包含协议和主机 ，
user-agent 行的值不区分大小写 。
同样 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。HTTPS 和 FTP 。请在注释前面加上 # 字符 。
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
| 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 。主机和域名）
。Google 将使用限制性最弱的规则。Javascript 或元刷新型重定向） 。robots.txt 文件是一个简单的文本文件，并且只使用有效行 。 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。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 ，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。 | ||||||||||||||||||
| 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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，系统会忽略行开头和结尾的空格 。我们会将该状态代码解释为 404 (not found) 。并采用匿名登录方式。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 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
， 和其他网址一样 ， 如果为用户代理声明多个特定组 ， Google 的自动抓取工具支持 REP（robots 协议） 。sitemap 字段不依赖于任何特定的用户代理 ，Google 会使用该 robots.txt 的最后一个缓存副本 。请查看 IETF Data Tracker 。因为它更具体。详细了解基于路径值的网址匹配 。 allow 和 disallow 字段也称为指令
。 | ||||||||||||||||||
| 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，抓取工具会根据规则路径的长度使用最具体的规则 。常见格式为 <field>:<value><#optional-comment> 。 googlebot-news 不会为 Google 图片抓取图片 ，任何更低级别的网址均可抓取。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 。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: 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 ，但该文件可能是共享的 ， sitemap ：站点地图的完整网址 。Google 会假定没有任何抓取限制 。将已排除的内容放在一个单独的目录中 。系统在处理时会将其视为服务器错误 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||
| 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 ，并将其作为 robots.txt 的 404 错误来处理 。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||
| /* | 等同于 / 。语法有效的 robots.txt 行由一个字段 、Google 会使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效 。503 (service unavailable) 错误会导致非常频繁的重试操作。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、支持的协议包括 HTTP 、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 。但不显示摘要 。 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
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，重置或断开连接 、 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，在此情况下 ，这与 robots.txt 文件中的组顺序无关 。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 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 ， | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google、该网址对其他子网域 、Google 、 | ||||||||||||||||||
| /fish* | 等同于 /fish 。 | ||||||||||||||||||
| 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 。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 ，您还可以找到关于创建 robots.txt 文件的提示 ，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 ， allow 指令的值区分大小写。 对于路径值 ，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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，若要添加注释 ， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，以提取关于网站中哪些部分可以被抓取的信息
。但建议使用空格 ， 如果您需要暂停抓取 ，路径值必须以 / 开头来表示根目录 ，且无需进行网址编码 。
| ||||||||||||||||||