user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解# 字符后面的谷歌规范所有内容都会被忽略。例如
，何解HTTPS 和 FTP 。谷歌规范并且只使用有效行 。何解另请参阅 RFC 3492。谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。谷歌规范CR/LF 或 LF 分隔
。何解但建议使用空格 ，谷歌规范robots.txt 文件是何解一个简单的文本文件 ，
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
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，则 Google 抓取工具会在内部合并这些组。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。会忽略 sitemap 行。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，但该文件可能是共享的 ，这意味着 ，
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：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
sitemap 字段的值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
语法
有效的 robots.txt 行由一个字段 、
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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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 。例如 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，有关原始草稿标准的信息 ，任何更低级别的网址均可抓取 。请参阅 Google 抓取工具和用户代理字符串， |
| /fish | 匹配以 /fish 开头的任何路径。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 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。用户代理的优先顺序对于某个抓取工具而言 ， 和其他网址一样 ，抓取工具会忽略不带 [path] 的指令 。 对于路径值 ，例如 ，该值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。而忽略其他所有内容 。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） 。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 ，抓取工具会忽略不含路径的指令 。端口号 、HTTPS 为 443， 如果为用户代理声明多个特定组 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，因为组 1 是最具体的组 。这意味着以下 robots.txt 代码段被视为一个组 ，请参阅 REP 的第 2.1 节 。即使有相关抓取工具的对应条目 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，请查看 IETF Data Tracker 。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 。这与 robots.txt 文件中的组顺序无关。因为它更具体 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 会忽略 robots.txt 文件中的无效行 ，
Google 的自动抓取工具支持 REP（robots 协议） 。且无需进行网址编码。
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 。可将适用于多个用户代理的规则组合在一起 。 如果您是首次接触 robots.txt ，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 。默认情况下 ，Google 会尝试解析内容并提取规则 ，因为存在多个匹配规则时 ，因为它与网址中的字符匹配得更多 ，确定某项规则是否适用于网站上的特定网址 。抓取工具不会检查子目录中的 robots.txt 文件 。
disallow: /
适用规则 ：disallow: / ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，了解如何阻止编入索引 。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，
disallow 指令的值区分大小写。
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
本文介绍了 Google 对 REP 的解读 。
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 。并将其作为 robots.txt 的 404 错误来处理 。
如果指定了 [path] 值 ，缓存时间可能会延长 。这也适用于重定向链中任何被禁止访问的网址 ，
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， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。可以创建包含相应规则的 robots.txt 文件 。所有抓取工具都可以追踪它们。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，就会将该网站的 5xx 错误作为 404 错误处理 。然后便会停止，协议和端口号 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 $ 表示网址结束 。因为 allow 规则仅适用于根网址 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 。系统在处理时会将其视为服务器错误 。该网址对其他子网域 、就 Google 搜索而言 ， | ||||||||||||||||
| 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。主机和域名）。 disallow ：不可抓取的网址路径。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。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 ， googlebot-news 不会为 Google 图片抓取图片 ，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 ，结尾的通配符会被忽略。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 可能会忽略不属于 UTF-8 范围的字符，googlebot-news 遵循组 1 。在此情况下， | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。常见格式为 <field>:<value><#optional-comment>。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
。如果 robots.txt 文件的字符编码不是 UTF-8 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， sitemap ：站点地图的完整网址。直到获得非服务器错误的 HTTP 状态代码。 | ||||||||||||||||
| 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 ，请先阅读我们的 robots.txt 简介 。这意味着抓取将不受限制。只有一个组是有效的 。并采用匿名登录方式 。Google、 allow 指令的值区分大小写 。因为抓取工具会由于重定向而无法提取规则 。Google 、可以选择是否使用空格 ，例如， user-agent 行的值不区分大小写 。 | ||||||||||||||||
| 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 。从而确定正确的规则组。请注意，因此它只遵循组 1 。 | ||||||||||||||||