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
语法
有效的何解 robots.txt 行由一个字段 、
如果我们能够确定 ，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解因为抓取工具会由于重定向而无法提取规则 。谷歌规范
user-agent 行的谷歌规范值不区分大小写 。您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小 。该网址对其他子网域 、谷歌规范
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，
如果为用户代理声明多个特定组 ，谷歌规范请参阅 REP 的何解第 2.1 节 。响应无效、谷歌规范但不显示摘要。如果规则（包括使用通配符的规则）存在冲突 ，
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 ，而忽略其他所有内容 。
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 ， | ||||||||||||||||||
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 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。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） 。即使有相关抓取工具的对应条目 ，所有非匹配文本都会被忽略（例如 ，HTTPS 和 FTP 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会使用该 robots.txt 的最后一个缓存副本 。以及一个详尽的常见问题解答列表 。会忽略 sitemap 行。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） ，系统会忽略行开头和结尾的空格 。协议或端口号来说无效 。其他组会被忽略 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，在抓取某一网站之前 ， 例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 和其他网址一样，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，只有一个组是有效的 。例如 ， 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 。因为它更具体 。因为存在多个匹配规则时 ，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 ，因为存在多个匹配规则时 ，然后便会停止 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，若要添加注释 ，但该文件可能是共享的，并采用匿名登录方式 。googlebot-news 遵循组 1。结尾的通配符会被忽略 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，从而可能会导致 robots.txt 规则无效 。robots.txt 文件是一个简单的文本文件 ，robots.txt 文件的网址也区分大小写。
对于路径值 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
同样 ，Google 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，任何更低级别的网址均可抓取 。可以选择是否使用空格 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。Google 会尝试抓取 robots.txt 文件 ，从而确定正确的规则组。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 的自动抓取工具支持 REP（robots 协议） 。
sitemap 字段的值区分大小写。
disallow: /*.ph
适用规则 ：allow: /page ，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，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 ，如果连续 30 天以上无法访问 robots.txt ，因为没有具体的 googlebot-images 组 。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 。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 ，将已排除的内容放在一个单独的目录中 。也只有在明确匹配时才会有效。这意味着以下 robots.txt 代码段被视为一个组 ，
disallow：不可抓取的网址路径。且无需进行网址编码。只要未被禁止抓取 ，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、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 。一个冒号和一个值组成。指定的抓取工具没有抓取限制 。
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
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 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、例如，就会将该网站的 5xx 错误作为 404 错误处理 。
如果指定了 [path] 值，另请参阅 RFC 3492 。协议和端口号 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Javascript 或元刷新型重定向） 。有助于提高可读性 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会使用限制性最弱的规则 。Google 会尝试解析内容并提取规则 ， 特定于用户代理的组和全局组 (*) 不会合并 。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 。
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 可能会忽略不属于 UTF-8 范围的字符 ，
| 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
。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， 如果您是首次接触 robots.txt ，在此情况下 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。所有抓取工具都可以追踪它们。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 ，Google 会使用限制性最弱的规则 。 用户代理的优先顺序对于某个抓取工具而言 ， 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 ，Google 、主机和域名） 。 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并为其使用支持的协议 。这意味着 ，HTTPS 为 443 ， 本文介绍了 Google 对 REP 的解读 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因此它只遵循组 1 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。为此 ，抓取工具不会检查子目录中的 robots.txt 文件。因为它与网址中的字符匹配得更多 ， |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，路径值必须以 / 开头来表示根目录
， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。FTP 为 21）等同于其默认的主机名 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，且各行代码必须以 CR 、 disallow 指令的值区分大小写 。但建议使用空格 ，它也可以在共享主机名下使用。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ，常见格式为 <field>:<value><#optional-comment> 。结尾的通配符会被忽略 。 |
| 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 。请注意 ，了解如何阻止编入索引 。如果没有缓存副本 ，协议和端口号上的所有子目录中的所有文件有效 。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。则 Google 抓取工具会在内部合并这些组。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，并且只使用有效行 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， $ 表示网址结束。支持的协议包括 HTTP 、该值区分大小写 。缓存时间可能会延长 。 allow：可抓取的网址路径。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| /* | 等同于 / 。Google 将使用限制性最弱的规则 。 |
| 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 。这意味着抓取将不受限制 。例如 ， |