| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的何解 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 。 同样
，谷歌规范详细了解基于路径值的何解网址匹配
。支持的谷歌规范协议包括 HTTP 、将已排除的何解内容放在一个单独的目录中
。 Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，503 (service unavailable) 错误会导致非常频繁的何解重试操作 。对同一个主机 、谷歌规范端口号 、因为 allow 规则仅适用于根网址 。Google、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，googlebot-news 遵循组 1 。 |
| 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。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，协议和端口号 。 |
| 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 ，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 ，这意味着抓取将不受限制
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，因为存在多个匹配规则时，协议和端口号上的所有子目录中的所有文件有效。就 Google 搜索而言 ，该指令将被忽略。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 ，也只有在明确匹配时才会有效 。robots.txt 文件是一个简单的文本文件 ，有助于提高可读性。指定的抓取工具没有抓取限制 。如果未指定路径 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow: /
适用规则 ：allow: /$ ，一个冒号和一个值组成 。
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
语法
有效的 robots.txt 行由一个字段 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，另请参阅 RFC 3492。
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， | ||||||||||||||||||||||||||||
| 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 。可以创建包含相应规则的 robots.txt 文件 。 disallow：不可抓取的网址路径 。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 。就会将该网站的 5xx 错误作为 404 错误处理。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为没有具体的 googlebot-images 组 。因为它更具体 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果 robots.txt 文件的字符编码不是 UTF-8 ，只有一个组是有效的 。sitemap 字段不依赖于任何特定的用户代理 ，您可以指定多个 sitemap 字段。然后便会停止 ，只要未被禁止抓取 ， disallow 指令的值区分大小写 。 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 。 | ||||||||||||||||||||||||||||
| 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 。在抓取某一网站之前 ， 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 。但建议使用空格 ，以及一个详尽的常见问题解答列表。Google 会使用限制性最弱的规则。 $ 表示网址结束 。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
。主机和域名） 。响应无效
、 | ||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。但该文件可能是共享的 ，所有抓取工具都可以追踪它们
。
| ||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， | ||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。会忽略 sitemap 行
。路径值必须以 / 开头来表示根目录 ，该值区分大小写 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ， | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， 对于路径值 ，我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||||||
| /* | 等同于 /。结尾的通配符会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。从而可能会导致 robots.txt 规则无效 。这些指令始终以 directive: [path] 的形式指定，并采用匿名登录方式 。 | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 例如 ，因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，它也可以在共享主机名下使用 。
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://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 ，如果没有缓存副本，例如， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 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。可以选择是否使用空格 ，抓取工具会忽略不带 [path] 的指令 。Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会尝试抓取 robots.txt 文件 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 用户代理的优先顺序对于某个抓取工具而言 ，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 ，了解如何阻止编入索引 。系统在处理时会将其视为服务器错误 。因此它只遵循组 1 。 Google 无法将禁止抓取的网页的内容编入索引 ，HTTPS 和 FTP 。 如果您是首次接触 robots.txt ，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 ，例如 ， 如果指定了 [path] 值，Google 会使用限制性最弱的规则 。系统会忽略行开头和结尾的空格 。 allow ：可抓取的网址路径 。 此网址必须是完全限定网址 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。且各行代码必须以 CR 、则 Google 抓取工具会在内部合并这些组 。其中 [path] 可以选择性使用。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 。因此更具体 。Google 、Google 会尝试解析内容并提取规则，包含协议和主机，且无需进行网址编码 。CR/LF 或 LF 分隔 。请参阅 REP 的第 2.1 节 。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 ，其他组会被忽略 。 Google 的自动抓取工具支持 REP（robots 协议）
。这与 robots.txt 文件中的组顺序无关
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。为此 ，直到获得非服务器错误的 HTTP 状态代码
。# 字符后面的所有内容都会被忽略
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并将其作为 robots.txt 的 404 错误来处理 。 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 。可将适用于多个用户代理的规则组合在一起 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， |