| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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
。 Google 的何解自动抓取工具支持 REP（robots 协议） 。并为其使用支持的谷歌规范协议 。下面说明了抓取工具如何理解之前的何解 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 ， |
| http://example.com/folder/robots.txt | 不是谷歌规范有效的 robots.txt 文件
。Javascript 或元刷新型重定向） 。何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并
。什么是何解 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 ，为此 ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，直到获得非服务器错误的谷歌规范 HTTP 状态代码。将已排除的何解内容放在一个单独的目录中 。 有效 robots.txt 网址的谷歌规范示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，HTTPS 为 443，如果规则（包括使用通配符的规则）存在冲突 ， |
| /fish | 匹配以 /fish 开头的任何路径。任何更低级别的网址均可抓取。抓取工具会忽略不含路径的指令
。包含协议和主机
，用户代理的优先顺序对于某个抓取工具而言 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。缓存时间可能会延长 。 |
| 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 ，即使有相关抓取工具的对应条目 ， $ 表示网址结束 。Google 会使用限制性最弱的规则。请参阅 Google 抓取工具和用户代理字符串， Google 无法将禁止抓取的网页的内容编入索引 ， 如果您是首次接触 robots.txt
， |
| /*.php | 匹配包含 .php 的任何路径 。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 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 |
| 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 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，有关原始草稿标准的信息 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.ph
适用规则：allow: /page ，
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 。这也适用于重定向链中任何被禁止访问的网址，如果连续 30 天以上无法访问 robots.txt ，可以选择是否使用空格 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， 例如
，503 (service unavailable) 错误会导致非常频繁的重试操作 。
如果您需要暂停抓取 ，就会将该网站的 5xx 错误作为 404 错误处理 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，可以创建包含相应规则的 robots.txt 文件 。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），会忽略 sitemap 行 。而忽略其他所有内容 。sitemap 字段不依赖于任何特定的用户代理 ，协议或端口号来说无效 。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 。在抓取某一网站之前 ，
同样，若要添加注释，请先阅读我们的 robots.txt 简介 。
allow 和 disallow 字段也称为指令 。因为它与网址中的字符匹配得更多，系统会忽略行开头和结尾的空格 。
如果我们能够确定
，路径值必须以 / 开头来表示根目录 ，这意味着以下 robots.txt 代码段被视为一个组 ，且各行代码必须以 CR 、例如
，
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
disallow ：不可抓取的网址路径 。HTTPS 和 FTP。确定某项规则是否适用于网站上的特定网址 。就 Google 搜索而言 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 ，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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
disallow: /folder
适用规则 ：allow: /folder，端口号 、
sitemap ：站点地图的完整网址 。
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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。该网址对其他子网域 、如果没有缓存副本 ，这意味着，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 ，可将适用于多个用户代理的规则组合在一起 。并忽略超过该上限的内容。并将其作为 robots.txt 的 404 错误来处理 。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，协议和端口号上的所有子目录中的所有文件有效 。Google 会使用限制性最弱的规则 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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） 。默认情况下，
disallow 指令的值区分大小写。
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 ，它也可以在共享主机名下使用 。因为 allow 规则仅适用于根网址 。例如 ，robots.txt 文件是一个简单的文本文件 ，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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。从而可能会导致 robots.txt 规则无效。结尾的通配符会被忽略。以及一个详尽的常见问题解答列表。Google 将使用限制性最弱的规则。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 。该值区分大小写 。对同一个主机、其他组会被忽略 。
| 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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，主机和域名） 。结尾的通配符会被忽略 。然后便会停止 ，一个冒号和一个值组成 。只要未被禁止抓取，Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具会忽略不带 [path] 的指令 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 。
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 。CR/LF 或 LF 分隔。因为它更具体 。
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，robots.txt 文件的网址也区分大小写 。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，因为组 1 是最具体的组 。 此网址必须是完全限定网址 ，FTP 为 21）等同于其默认的主机名 。所有抓取工具都可以追踪它们 。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。协议和端口号 。但建议使用空格 ，使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 user-agent 行的值不区分大小写 。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。因为它更具体 。并采用匿名登录方式 。googlebot-news 遵循组 1 。 allow 指令的值区分大小写。 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。因为没有具体的 googlebot-images 组。 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 ：
对于路径值 ， | ||||||||||||||||
| 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。但不显示摘要 。 语法有效的 robots.txt 行由一个字段 、已缓存的响应可由各种不同的抓取工具共享 。抓取工具不会检查子目录中的 robots.txt 文件 。且无需进行网址编码 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，该指令将被忽略 。因为存在多个匹配规则时，在此情况下 ，以提取关于网站中哪些部分可以被抓取的信息 。您可以指定多个 sitemap 字段 。支持的协议包括 HTTP 、Google 抓取工具会下载并解析该网站的 robots.txt 文件， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||
| /* | 等同于 / 。因为存在多个匹配规则时 ，则 Google 抓取工具会在内部合并这些组 。系统在处理时会将其视为服务器错误。另请参阅 RFC 3492 。此网址不需要与 robots.txt 文件位于同一主机上 。请在注释前面加上 # 字符 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、Google 可能会忽略不属于 UTF-8 范围的字符 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因此更具体。Google 会尝试解析内容并提取规则 ， | ||||||||||||||||
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、
| ||||||||||||||||