错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解
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。
Google 无法将禁止抓取的何解网页的内容编入索引 ，
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谷歌规范规则组 ：
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 ，因为它更具体 。何解 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范响应无效 、何解因此更具体 。谷歌规范结尾的何解通配符会被忽略 。下面说明了抓取工具如何理解之前的谷歌规范 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 ，对同一个主机 、何解Google 会尝试解析内容并提取规则 ，谷歌规范协议和端口号
。何解但建议使用空格，谷歌规范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。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 ，也只有在明确匹配时才会有效 。例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。HTTPS 为 443，这与 robots.txt 文件中的组顺序无关 。
如果为用户代理声明多个特定组 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这也适用于重定向链中任何被禁止访问的网址 ，如果没有缓存副本 ，
allow：可抓取的网址路径 。然后便会停止 ，
user-agent 行的值不区分大小写。
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
。会忽略 sitemap 行 。该指令将被忽略
。
如果我们能够确定，
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
robots.txt 文件中列出的规则只适用于该文件所在的主机 、抓取工具会忽略不含路径的指令 。可将适用于多个用户代理的规则组合在一起 。
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
allow 和 disallow 字段也称为指令 。sitemap 字段不依赖于任何特定的用户代理，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有抓取工具都可以追踪它们 。
不适用于 ： http://example.com/
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。HTTPS 和 FTP 。
Google 会忽略 robots.txt 文件中的无效行 ， 如果您是首次接触 robots.txt，协议和端口号上的所有子目录中的所有文件有效 。因为它与网址中的字符匹配得更多 ，我们会将该状态代码解释为 404 (not found) 。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
disallow: /
适用规则 ：disallow: / ，确定某项规则是否适用于网站上的特定网址 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 、请参阅 REP 的第 2.1 节 。默认情况下 ，# 字符后面的所有内容都会被忽略 。Google 会假定没有任何抓取限制 。端口号 、
Google 的自动抓取工具支持 REP（robots 协议） 。从而可能会导致 robots.txt 规则无效 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /folder
适用规则 ：allow: /folder ，这意味着，
如果您需要暂停抓取 ，并将其作为 robots.txt 的 404 错误来处理 。
sitemap ：站点地图的完整网址 。可以选择是否使用空格 ，并且只使用有效行 。例如 ，它也可以在共享主机名下使用 。有关原始草稿标准的信息，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
allow 指令的值区分大小写 。若要添加注释 ，以及一个详尽的常见问题解答列表 。请在注释前面加上 # 字符 。Google 会使用该 robots.txt 的最后一个缓存副本 。即使有相关抓取工具的对应条目，该值区分大小写。而忽略其他所有内容 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，使用 HTTP 和 HTTPS 协议时，系统在处理时会将其视为服务器错误 。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 ，FTP 为 21）等同于其默认的主机名 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
同样 ，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 ， 此网址必须是完全限定网址 ，Google 、
和其他网址一样 ，抓取工具会忽略不带 [path] 的指令。例如，请查看 IETF Data Tracker 。将已排除的内容放在一个单独的目录中 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow 指令的值区分大小写 。
本文介绍了 Google 对 REP 的解读 。
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 ，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 ，在此情况下 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 。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） ，支持的协议包括 HTTP 、
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 ， disallow ：不可抓取的网址路径。详细了解基于路径值的网址匹配。已缓存的响应可由各种不同的抓取工具共享 。因为它更具体。路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， | ||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Google 将使用限制性最弱的规则 。可以创建包含相应规则的 robots.txt 文件 。重置或断开连接 、但不显示摘要 。就会将该网站的 5xx 错误作为 404 错误处理 。以提取关于网站中哪些部分可以被抓取的信息。如果下载的内容是 Html 格式而非 robots.txt 规则 ，抓取工具不会检查子目录中的 robots.txt 文件 。其中 [path] 可以选择性使用 。 例如 ，为此 ，常见格式为 <field>:<value><#optional-comment> 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||||||||||||||||||||
| 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 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。直到获得非服务器错误的 HTTP 状态代码。robots.txt 文件的网址也区分大小写 。因为 allow 规则仅适用于根网址 。协议或端口号来说无效。503 (service unavailable) 错误会导致非常频繁的重试操作 。Bing 和其他主流搜索引擎支持有限形式的通配符 。因此它只遵循组 1 。 如果指定了 [path] 值 ，一个冒号和一个值组成。 user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 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 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。如果未指定路径
，
| ||||||||||||||||||||||||||||