| 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 。您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小。此网址不需要与 robots.txt 文件位于同一主机上 。何解重置或断开连接 、谷歌规范因此它只遵循组 1。何解googlebot-news 遵循组 1。谷歌规范 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具
。何解 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，而忽略其他所有内容。 语法有效的 robots.txt 行由一个字段 、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，并忽略超过该上限的内容
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。 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 。这也适用于重定向链中任何被禁止访问的网址 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Javascript 或元刷新型重定向） 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||
| 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。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、就 Google 搜索而言 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。您可以指定多个 sitemap 字段 。# 字符后面的所有内容都会被忽略。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， 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。
规则的优先顺序匹配 robots.txt 规则与网址时， 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 ， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，只要未被禁止抓取 ， | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 特定于用户代理的组和全局组 (*) 不会合并。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 。Google 将使用限制性最弱的规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，缓存时间可能会延长 。可将适用于多个用户代理的规则组合在一起 。了解如何阻止编入索引。 Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会使用标准 RETR (RETRIEVE) 命令， disallow ：不可抓取的网址路径 。确定某项规则是否适用于网站上的特定网址 。且无需进行网址编码 。详细了解基于路径值的网址匹配 。 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 ：
用户代理的优先顺序对于某个抓取工具而言 ，Google 会尝试抓取 robots.txt 文件 ，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 ，并采用匿名登录方式 。也只有在明确匹配时才会有效 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 $ 表示网址结束 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||
| 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。 如果指定了 [path] 值 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，您还可以找到关于创建 robots.txt 文件的提示 ，协议和端口号 。所有非匹配文本都会被忽略（例如 ，例如，因为存在多个匹配规则时 ，
disallow: /
适用规则 ：disallow: /，
本文介绍了 Google 对 REP 的解读 。因为它更具体 。
disallow: /*.htm
适用规则：disallow: /*.htm ，指定的抓取工具没有抓取限制 。请查看 IETF Data Tracker 。直到获得非服务器错误的 HTTP 状态代码。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 。
如果为用户代理声明多个特定组 ，其中 [path] 可以选择性使用 。这意味着 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
和其他网址一样 ，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 ，因为没有具体的 googlebot-images 组 。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） ，若要添加注释 ，它也可以在共享主机名下使用 。主机和域名） 。
allow：可抓取的网址路径。Google 可能会忽略不属于 UTF-8 范围的字符，但建议使用空格，如果没有缓存副本，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，将已排除的内容放在一个单独的目录中 。因此更具体 。且各行代码必须以 CR 、已缓存的响应可由各种不同的抓取工具共享。任何更低级别的网址均可抓取 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。如果 robots.txt 文件的字符编码不是 UTF-8，会忽略 sitemap 行。因为组 1 是最具体的组 。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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， disallow 指令的值区分大小写 。这些指令始终以 directive: [path] 的形式指定 ， |
| 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 ，但不显示摘要 。有关原始草稿标准的信息 ，一个冒号和一个值组成。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请在注释前面加上 # 字符 。请参阅 REP 的第 2.1 节 。包含协议和主机 ，因为它与网址中的字符匹配得更多 ，Google 会使用限制性最弱的规则。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 ，因为 allow 规则仅适用于根网址 。在抓取某一网站之前，
如果您需要暂停抓取，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 ，使用 HTTP 和 HTTPS 协议时 ，
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。
sitemap 字段的值区分大小写。HTTPS 为 443 ，FTP 为 21）等同于其默认的主机名 。另请参阅 RFC 3492 。则 Google 抓取工具会在内部合并这些组。
同样 ，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 。 googlebot-news 不会为 Google 图片抓取图片，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，支持的协议包括 HTTP 、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。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，协议和端口号上的所有子目录中的所有文件有效 。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 。系统在处理时会将其视为服务器错误 。所有抓取工具都可以追踪它们 。抓取工具会根据规则路径的长度使用最具体的规则 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，对同一个主机、可以创建包含相应规则的 robots.txt 文件
。建议为网站上的每个网址提供 503 HTTP 状态代码 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 此网址必须是完全限定网址
，路径值必须以 / 开头来表示根目录，但该文件可能是共享的
，因为存在多个匹配规则时 ，
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
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。robots.txt 文件的网址也区分大小写 。
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 。 如果您是首次接触 robots.txt ，请先阅读我们的 robots.txt 简介 。
Google 的自动抓取工具支持 REP（robots 协议） 。其他组会被忽略。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、
匹配项：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP