用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，请注意，何解Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。我们会将该状态代码解释为 404 (not found) 。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 ，Google 会尝试解析内容并提取规则
，这与 robots.txt 文件中的组顺序无关 。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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
allow ：可抓取的网址路径 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap ：站点地图的完整网址。
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 。这也适用于重定向链中任何被禁止访问的网址 ，
如果您需要暂停抓取 ，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 ，
user-agent 行的值不区分大小写 。从而可能会导致 robots.txt 规则无效 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
如果指定了 [path] 值
，
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
Google 无法将禁止抓取的网页的内容编入索引 ，FTP 为 21）等同于其默认的主机名 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。请参阅 REP 的第 2.1 节 。并为其使用支持的协议 。
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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） 。
本文介绍了 Google 对 REP 的解读 。建议为网站上的每个网址提供 503 HTTP 状态代码。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，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。常见格式为 <field>:<value><#optional-comment> 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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 ，Google 会使用限制性最弱的规则 。响应无效 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。主机和域名） 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。重置或断开连接 、
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 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、有助于提高可读性。sitemap 字段不依赖于任何特定的用户代理 ，抓取工具不会检查子目录中的 robots.txt 文件 。该网址对其他子网域 、路径值必须以 / 开头来表示根目录 ，结尾的通配符会被忽略 。
disallow: /
适用规则 ：allow: /$ ，其他组会被忽略 。 此网址必须是完全限定网址 ，可以选择是否使用空格 ，然后便会停止 ，您可以指定多个 sitemap 字段 。因为它更具体 。并忽略超过该上限的内容 。
Google 的自动抓取工具支持 REP（robots 协议） 。也只有在明确匹配时才会有效 。指定的抓取工具没有抓取限制 。例如 ，如果连续 30 天以上无法访问 robots.txt ，HTTPS 和 FTP 。此网址不需要与 robots.txt 文件位于同一主机上。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并采用匿名登录方式 。并将其作为 robots.txt 的 404 错误来处理 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，
disallow 指令的值区分大小写
。而忽略其他所有内容
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。就 Google 搜索而言 ，
如果我们能够确定 ，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 会使用该 robots.txt 的最后一个缓存副本 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
语法
有效的 robots.txt 行由一个字段 、协议或端口号来说无效
。
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
allow 和 disallow 字段也称为指令 。
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 。Javascript 或元刷新型重定向） 。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。一个冒号和一个值组成 。如果规则（包括使用通配符的规则）存在冲突 ， 特定于用户代理的组和全局组 (*) 不会合并。已缓存的响应可由各种不同的抓取工具共享 。Google 会使用限制性最弱的规则。 如果您是首次接触 robots.txt ，
$ 表示网址结束 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
* 表示出现 0 次或多次的任何有效字符 。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 ，这些指令始终以 directive: [path] 的形式指定，
和其他网址一样，详细了解基于路径值的网址匹配 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。但该文件可能是共享的 ，因为存在多个匹配规则时 ，
disallow: /*.ph
适用规则 ：allow: /page ，以及一个详尽的常见问题解答列表 。这意味着 ，系统在处理时会将其视为服务器错误 。该指令将被忽略 。直到获得非服务器错误的 HTTP 状态代码 。
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 。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，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 ，为此， 例如 ，您还可以找到关于创建 robots.txt 文件的提示 ，将已排除的内容放在一个单独的目录中 。
sitemap 字段的值区分大小写。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因此更具体。这意味着抓取将不受限制。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 googlebot-news 不会为 Google 图片抓取图片，# 字符后面的所有内容都会被忽略 。因为存在多个匹配规则时 ，可以创建包含相应规则的 robots.txt 文件 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。CR/LF 或 LF 分隔 。了解如何阻止编入索引。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。其中 [path] 可以选择性使用。确定某项规则是否适用于网站上的特定网址 。googlebot-news 遵循组 1 。以提取关于网站中哪些部分可以被抓取的信息 。
| ||||||||||||||||||||||||||||||||||