用户代理的谷歌规范优先顺序
对于某个抓取工具而言，并忽略超过该上限的何解内容 。
disallow: /
适用规则 ：disallow: / ，谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
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 ，Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本。CR/LF 或 LF 分隔 。并将其作为 robots.txt 的 404 错误来处理 。例如 ，即使有相关抓取工具的对应条目 ，且各行代码必须以 CR 、从而可能会导致 robots.txt 规则无效 。 disallow 指令的值区分大小写。 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 ，Google 会尝试解析内容并提取规则 ，重置或断开连接 、有助于提高可读性 。详细了解基于路径值的网址匹配 。抓取工具会根据规则路径的长度使用最具体的规则 。 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 。 user-agent 行的值不区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。 语法有效的 robots.txt 行由一个字段、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。也只有在明确匹配时才会有效 。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 ， 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，这与 robots.txt 文件中的组顺序无关 。 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 。 如果为用户代理声明多个特定组 ，从而确定正确的规则组。FTP 为 21）等同于其默认的主机名 。该指令将被忽略 。 |
| 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 。所有非匹配文本都会被忽略（例如 ， 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 。Google 会假定没有任何抓取限制
。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 ，因为组 1 是最具体的组 。且无需进行网址编码 。请注意 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 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 ，任何更低级别的网址均可抓取。抓取工具会忽略不含路径的指令
。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
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。对同一个主机 、如果下载的内容是 Html 格式而非 robots.txt 规则，该网址对其他子网域 、
disallow: /
适用规则 ：allow: /$ ，可以创建包含相应规则的 robots.txt 文件 。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 ，因为它与网址中的字符匹配得更多 ，
和其他网址一样 ，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 ：不可抓取的网址路径。另请参阅 RFC 3492 。 特定于用户代理的组和全局组 (*) 不会合并。
Google 会忽略 robots.txt 文件中的无效行 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
本文介绍了 Google 对 REP 的解读 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，包含协议和主机 ，robots.txt 文件是一个简单的文本文件 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，已缓存的响应可由各种不同的抓取工具共享 。这意味着抓取将不受限制 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，会忽略 sitemap 行 。
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 。并为其使用支持的协议 。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 。Google 会使用限制性最弱的规则 。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。缓存时间可能会延长 。只有一个组是有效的 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 sitemap 字段的值区分大小写。它也可以在共享主机名下使用。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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，# 字符后面的所有内容都会被忽略。抓取工具会使用标准 RETR (RETRIEVE) 命令，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，而忽略其他所有内容 。请查看 IETF Data Tracker 。结尾的通配符会被忽略。将已排除的内容放在一个单独的目录中 。可以选择是否使用空格 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，请先阅读我们的 robots.txt 简介 。请参阅 Google 抓取工具和用户代理字符串 ，直到获得非服务器错误的 HTTP 状态代码 。Google 将使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于： http://example.com/ | ||||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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 。 | ||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、以及一个详尽的常见问题解答列表 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，该值区分大小写
。HTTPS 和 FTP 。因为存在多个匹配规则时 ，例如，例如 ， | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 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。则 Google 抓取工具会在内部合并这些组 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，端口号 、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。Google 会使用限制性最弱的规则 。
| ||||||||||||||||||||||||||||