user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范也只有在明确匹配时才会有效。何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。另请参阅 RFC 3492。何解此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范默认情况下 ，何解
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 ，robots.txt 文件是一个简单的文本文件 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，以及一个详尽的常见问题解答列表 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
Google 无法将禁止抓取的网页的内容编入索引 ，并忽略超过该上限的内容 。 例如 ，如果规则（包括使用通配符的规则）存在冲突 ，
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。Javascript 或元刷新型重定向）。重置或断开连接 、Google 将使用限制性最弱的规则 。使用 HTTP 和 HTTPS 协议时 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
，并为其使用支持的协议
。如果未指定路径 ，从而确定正确的规则组
。 此网址必须是完全限定网址 ， 和其他网址一样 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请参阅 REP 的第 2.1 节 。只要未被禁止抓取 ，有关原始草稿标准的信息 ，主机和域名） 。所有非匹配文本都会被忽略（例如， | ||||||||||||||||||||||
| 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。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。 | ||||||||||||||||||||||
| /* | 等同于 / 。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 ，以提取关于网站中哪些部分可以被抓取的信息 。若要添加注释 ， | ||||||||||||||||||||||
| /fish* | 等同于 /fish 。因为它更具体。 | ||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、已缓存的响应可由各种不同的抓取工具共享 。在此情况下 ，只有一个组是有效的 。 | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，结尾的通配符会被忽略 。因此更具体 。 语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。 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 ， | ||||||||||||||||||||||
| 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
， disallow ：不可抓取的网址路径 。如果连续 30 天以上无法访问 robots.txt，Google 会假定没有任何抓取限制 。并采用匿名登录方式 。请注意 ，有助于提高可读性 。且各行代码必须以 CR、缓存时间可能会延长 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，sitemap 字段不依赖于任何特定的用户代理 ，并且只使用有效行 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。任何更低级别的网址均可抓取 。# 字符后面的所有内容都会被忽略。Google 会使用限制性最弱的规则
。robots.txt 文件的网址也区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，但建议使用空格 ， | ||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，支持的协议包括 HTTP 、为此 ，因为它与网址中的字符匹配得更多，协议和端口号 。其他组会被忽略 。
对于路径值 ，所有抓取工具都可以追踪它们 。Google 会尝试解析内容并提取规则 ，Google 、
user-agent 行的值不区分大小写 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具
。
如果您需要暂停抓取，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，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 、可以选择是否使用空格 ，响应无效 、如果没有缓存副本 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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 。我们会将该状态代码解释为 404 (not found) 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请在注释前面加上 # 字符 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，该值区分大小写 。就 Google 搜索而言 ，请先阅读我们的 robots.txt 简介。您还可以找到关于创建 robots.txt 文件的提示， 特定于用户代理的组和全局组 (*) 不会合并 。结尾的通配符会被忽略 。
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
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow 指令的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
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 ，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 ，因为组 1 是最具体的组。Google 、
$ 表示网址结束 。
Google 的自动抓取工具支持 REP（robots 协议） 。该网址对其他子网域 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，该指令将被忽略。Google 会尝试抓取 robots.txt 文件 ，而忽略其他所有内容 。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 ，可以创建包含相应规则的 robots.txt 文件 。这与 robots.txt 文件中的组顺序无关 。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 ，
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。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
| 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
。因此它只遵循组 1。协议或端口号来说无效。因为抓取工具会由于重定向而无法提取规则
。HTTPS 为 443 ，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）
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这意味着抓取将不受限制 。建议为网站上的每个网址提供 503 HTTP 状态代码 。这意味着 ，了解如何阻止编入索引 。Bing 和其他主流搜索引擎支持有限形式的通配符。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 ，因为没有具体的 googlebot-images 组 。 googlebot-news 不会为 Google 图片抓取图片 ，常见格式为 <field>:<value><#optional-comment>
。会忽略 sitemap 行 。 如果为用户代理声明多个特定组 ，请查看 IETF Data Tracker 。协议和端口号上的所有子目录中的所有文件有效 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 会使用限制性最弱的规则
。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请参阅 Google 抓取工具和用户代理字符串 ， 用户代理的优先顺序对于某个抓取工具而言 ，
| ||||||||