| 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 。获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，谷歌规范这意味着抓取将不受限制。何解该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、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 ，何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。该指令将被忽略 。何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，503 (service unavailable) 错误会导致非常频繁的何解重试操作。响应无效 、谷歌规范googlebot-news 遵循组 1 。何解 $ 表示网址结束 。谷歌规范这意味着以下 robots.txt 代码段被视为一个组 ，何解 对于路径值，谷歌规范它也可以在共享主机名下使用 。 | ||||||||||||||||||||
| 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 。您还可以找到关于创建 robots.txt 文件的提示 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 如果为用户代理声明多个特定组，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） 。如果未指定路径， | ||||||||||||||||||||
| 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 ，并且只使用有效行。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 allow 规则仅适用于根网址 。例如，另请参阅 RFC 3492
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，HTTP 组块错误等）而无法抓取的 robots.txt 文件
，缓存时间可能会延长。这些指令始终以 directive: [path] 的形式指定
，请先阅读我们的 robots.txt 简介 。有助于提高可读性 。Bing 和其他主流搜索引擎支持有限形式的通配符
。我们会将该状态代码解释为 404 (not found) 。 sitemap：站点地图的完整网址 。有关原始草稿标准的信息 ，包含协议和主机 ，只要未被禁止抓取，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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
。 | ||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为组 1 是最具体的组
。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 ，详细了解基于路径值的网址匹配 。 Google 会忽略 robots.txt 文件中的无效行
，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 。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，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 ， googlebot-news 不会为 Google 图片抓取图片 ，确定某项规则是否适用于网站上的特定网址 。 allow 指令的值区分大小写 。 disallow ：不可抓取的网址路径 。则 Google 抓取工具会在内部合并这些组 。robots.txt 文件是一个简单的文本文件 ，因为存在多个匹配规则时 ，且各行代码必须以 CR、并忽略超过该上限的内容。 | ||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTPS 和 FTP 。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。Google 会使用限制性最弱的规则 。CR/LF 或 LF 分隔 。
Google 无法将禁止抓取的网页的内容编入索引 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、Google 会使用该 robots.txt 的最后一个缓存副本 。支持的协议包括 HTTP 、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 ，已缓存的响应可由各种不同的抓取工具共享。
user-agent 行的值不区分大小写 。
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 。并采用匿名登录方式 。重置或断开连接 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，而忽略其他所有内容 。该网址对其他子网域 、
disallow: /folder
适用规则 ：allow: /folder ，
Google 的自动抓取工具支持 REP（robots 协议）
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
如果您需要暂停抓取，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
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。可将适用于多个用户代理的规则组合在一起 。任何更低级别的网址均可抓取 。例如，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因此更具体 。
同样，
| 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，这意味着，抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，此网址不需要与 robots.txt 文件位于同一主机上 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、请参阅 Google 抓取工具和用户代理字符串 ，因为没有具体的 googlebot-images 组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，其他组会被忽略。使用 HTTP 和 HTTPS 协议时 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，为此， 用户代理的优先顺序对于某个抓取工具而言， allow 和 disallow 字段也称为指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，协议或端口号来说无效 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，只有一个组是有效的 。且无需进行网址编码。在此情况下，Google 会尝试抓取 robots.txt 文件 ，如果连续 30 天以上无法访问 robots.txt ，主机和域名）。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） ，也只有在明确匹配时才会有效 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。 allow：可抓取的网址路径 。Google、 | ||||||||||||
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。对同一个主机、结尾的通配符会被忽略 。以提取关于网站中哪些部分可以被抓取的信息 。
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 。
如果我们能够确定 ，HTTPS 为 443
，
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 。因为它更具体
。
和其他网址一样 ，