错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。但该文件可能是何解共享的，
* 表示出现 0 次或多次的何解任何有效字符 。抓取工具会忽略不带 [path] 的谷歌规范指令 。因为存在多个匹配规则时 ，何解
如果指定了 [path] 值 ，谷歌规范googlebot-news 遵循组 1。何解
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 ，抓取工具不会检查子目录中的 robots.txt 文件 。响应无效 、端口号 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。以提取关于网站中哪些部分可以被抓取的信息
。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
，
如果我们能够确定 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为它更具体 。其他组会被忽略 。结尾的通配符会被忽略 。
$ 表示网址结束 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 ，另请参阅 RFC 3492 。有关原始草稿标准的信息 ，这意味着抓取将不受限制。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。有助于提高可读性。这也适用于重定向链中任何被禁止访问的网址 ，Google、在此情况下，可以创建包含相应规则的 robots.txt 文件 。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） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。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、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，该指令将被忽略 。
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 。 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: /
适用规则 ：allow: /$ ，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，HTTPS 为 443 ，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 ，已缓存的响应可由各种不同的抓取工具共享 。CR/LF 或 LF 分隔 。这意味着 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
allow 指令的值区分大小写。并采用匿名登录方式 。 如果您是首次接触 robots.txt，如果没有缓存副本 ，所有抓取工具都可以追踪它们 。HTTPS 和 FTP 。请先阅读我们的 robots.txt 简介 。
sitemap 字段的值区分大小写 。
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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，一个冒号和一个值组成。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，协议或端口号来说无效 。
| 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 。Google 会尝试解析内容并提取规则，Google 会假定没有任何抓取限制 。从而可能会导致 robots.txt 规则无效 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 。并将其作为 robots.txt 的 404 错误来处理 。
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，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 ，因为存在多个匹配规则时 ，
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 ，请参阅 REP 的第 2.1 节 。而忽略其他所有内容 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，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 。如果未指定路径 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，您还可以找到关于创建 robots.txt 文件的提示 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，503 (service unavailable) 错误会导致非常频繁的重试操作。会忽略 sitemap 行。Google 将使用限制性最弱的规则 。详细了解基于路径值的网址匹配 。它也可以在共享主机名下使用 。即使有相关抓取工具的对应条目， Google 无法将禁止抓取的网页的内容编入索引 ， |
| 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 。任何更低级别的网址均可抓取 。缓存时间可能会延长 。 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 。 |
| /* | 等同于 / 。 |
| 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 。请在注释前面加上 # 字符。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 语法有效的 robots.txt 行由一个字段、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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。请参阅 Google 抓取工具和用户代理字符串 ， |
| 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 。直到获得非服务器错误的 HTTP 状态代码 。 匹配项： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。如果规则（包括使用通配符的规则）存在冲突，可将适用于多个用户代理的规则组合在一起
。您可以指定多个 sitemap 字段 。例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 和其他网址一样， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。以及一个详尽的常见问题解答列表 。Google 会使用该 robots.txt 的最后一个缓存副本
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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 。如果 robots.txt 文件的字符编码不是 UTF-8，主机和域名） 。例如，sitemap 字段不依赖于任何特定的用户代理，并为其使用支持的协议
。若要添加注释
，
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，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，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，默认情况下 ，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），且无需进行网址编码。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||
| 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 ，FTP 为 21）等同于其默认的主机名 。使用 HTTP 和 HTTPS 协议时 ，了解如何阻止编入索引。在抓取某一网站之前，且各行代码必须以 CR 、# 字符后面的所有内容都会被忽略 。所有非匹配文本都会被忽略（例如 ，请查看 IETF Data Tracker 。 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， disallow 指令的值区分大小写。常见格式为 <field>:<value><#optional-comment> 。将已排除的内容放在一个单独的目录中 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。请注意 ， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， googlebot-news 不会为 Google 图片抓取图片， 如果您需要暂停抓取 ，我们会将该状态代码解释为 404 (not found) 。重置或断开连接 、因为它与网址中的字符匹配得更多， 本文介绍了 Google 对 REP 的解读 。并忽略超过该上限的内容 。 例如 ，对同一个主机、协议和端口号上的所有子目录中的所有文件有效 。 同样，支持的协议包括 HTTP、 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。系统会忽略行开头和结尾的空格 。该网址对其他子网域、并且只使用有效行 。只要未被禁止抓取 ，因为 allow 规则仅适用于根网址 。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 ， | ||||||||||||||
| /fish* | 等同于 /fish。 | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 user-agent 行的值不区分大小写 。 | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，抓取工具会忽略不含路径的指令 。该值区分大小写 。系统在处理时会将其视为服务器错误。从而确定正确的规则组 。因为组 1 是最具体的组 。 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 | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，robots.txt 文件是一个简单的文本文件 ， disallow ：不可抓取的网址路径
。协议和端口号 。 | ||||||||||||||