用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，协议和端口号 。何解
什么是谷歌规范 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 ，端口号 、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谷歌规范规则组 ：
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 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，何解如果未指定路径 ，谷歌规范
disallow: /
适用规则 ：allow: /$ ，
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：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。确定某项规则是否适用于网站上的特定网址 。
Google 的自动抓取工具支持 REP（robots 协议） 。为此 ，
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 。常见格式为 <field>:<value><#optional-comment> 。协议和端口号上的所有子目录中的所有文件有效。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，只有一个组是有效的 。包含协议和主机 ，这意味着以下 robots.txt 代码段被视为一个组 ，指定的抓取工具没有抓取限制 。
sitemap ：站点地图的完整网址 。
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 ， 特定于用户代理的组和全局组 (*) 不会合并 。则 Google 抓取工具会在内部合并这些组 。协议或端口号来说无效 。Google 将使用限制性最弱的规则 。 | ||||||
| /$ | 仅匹配根目录 。Google 会使用该 robots.txt 的最后一个缓存副本
。
语法有效的 robots.txt 行由一个字段、所有非匹配文本都会被忽略（例如 ，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 。 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。因为存在多个匹配规则时， | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。因为它与网址中的字符匹配得更多 ， | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，并将其作为 robots.txt 的 404 错误来处理。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，已缓存的响应可由各种不同的抓取工具共享 。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 、并且只使用有效行 。结尾的通配符会被忽略。 | ||||||
| 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。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这也适用于重定向链中任何被禁止访问的网址 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。因为组 1 是最具体的组 。 本文介绍了 Google 对 REP 的解读 。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 。 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 。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 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Google 可能会忽略不属于 UTF-8 范围的字符 ，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）， 同样 ，即使有相关抓取工具的对应条目 ，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 ，例如 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、请参阅 Google 抓取工具和用户代理字符串 ，抓取工具会忽略不带 [path] 的指令 。而忽略其他所有内容 。从而确定正确的规则组 。如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，请查看 IETF Data Tracker 。
$ 表示网址结束 。 如果您是首次接触 robots.txt ，
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，并为其使用支持的协议
。
如果您需要暂停抓取，例如
，googlebot-news 遵循组 1
。请参阅 REP 的第 2.1 节
。响应无效 、因为它更具体 。系统在处理时会将其视为服务器错误。
sitemap 字段的值区分大小写 。这与 robots.txt 文件中的组顺序无关 。例如 ，
disallow 指令的值区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Bing 和其他主流搜索引擎支持有限形式的通配符 。
allow ：可抓取的网址路径 。因为存在多个匹配规则时 ，该网址对其他子网域 、但建议使用空格 ，以及一个详尽的常见问题解答列表 。Google、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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 。
user-agent 行的值不区分大小写 。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 ，这意味着抓取将不受限制 。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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
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 。HTTPS 和 FTP 。Google 会尝试解析内容并提取规则 ，缓存时间可能会延长 。您还可以找到关于创建 robots.txt 文件的提示 ， 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 。有关原始草稿标准的信息 ，可以创建包含相应规则的 robots.txt 文件 。就 Google 搜索而言 ，请先阅读我们的 robots.txt 简介 。
如果为用户代理声明多个特定组 ，Google 会使用限制性最弱的规则 。该指令将被忽略 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。将已排除的内容放在一个单独的目录中 。
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
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
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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，HTTPS 为 443，
| 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 。robots.txt 文件的网址也区分大小写 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，并忽略超过该上限的内容 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。此网址不需要与 robots.txt 文件位于同一主机上 。从而可能会导致 robots.txt 规则无效。一个冒号和一个值组成。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，支持的协议包括 HTTP 、
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。任何更低级别的网址均可抓取。 |
| 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。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。重置或断开连接 、 |
| Googlebot（网络） | googlebot 遵循组 3 。详细了解基于路径值的网址匹配 。若要添加注释 ， disallow ：不可抓取的网址路径 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，默认情况下， 例如 ，直到获得非服务器错误的 HTTP 状态代码 。 |
| Googlebot Images | googlebot-images 遵循组 2， 和其他网址一样 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果指定了 [path] 值 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| 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 ，在此情况下 ， 本期推荐外贸网站SEO站内优化的方法女篮世界杯：中国队逆转捷克队获小组赛首胜2026年亚太经合组织（APEC）工商领导人峰会将于11月在深圳举办中超第26轮：蓉城无缘提前夺冠 英博胜海牛升积分榜次席海外播放超8亿次！武汉，正被世界看见《困在时间里的父亲》父女亲情触动人心 四大看点揭秘级别和设备哪个对玩家更有效呢？刚成立的建筑央企招聘，105个岗位等你来！ |