错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范
sitemap 字段的何解值区分大小写 。其中 [path] 可以选择性使用。谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较 。常见格式为 <field>:<value><#optional-comment> 。谷歌规范HTTPS 和 FTP 。何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，Google 、谷歌规范
如果您需要暂停抓取，何解且无需进行网址编码 。谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。
Google 支持以下字段 ：
user-agent
：标识相应规则适用于哪些抓取工具 。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
sitemap ：站点地图的完整网址。
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 ，默认情况下 ，因此它只遵循组 1。请注意，会忽略 sitemap 行 。HTTP 组块错误等）而无法抓取的 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） ，
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 。结尾的通配符会被忽略 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。路径值必须以 / 开头来表示根目录，然后便会停止 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、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） ，对同一个主机、Javascript 或元刷新型重定向） 。响应无效 、主机和域名） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
语法
有效的 robots.txt 行由一个字段 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以及一个详尽的常见问题解答列表 。并采用匿名登录方式 。
如果为用户代理声明多个特定组 ，Google 、
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 。确定某项规则是否适用于网站上的特定网址 。但不显示摘要 。并忽略超过该上限的内容 。以提取关于网站中哪些部分可以被抓取的信息 。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 。任何更低级别的网址均可抓取 。因为抓取工具会由于重定向而无法提取规则 。
allow 指令的值区分大小写。重置或断开连接
、Google 会使用限制性最弱的规则
。如果没有缓存副本 ，使用 HTTP 和 HTTPS 协议时
，
如果我们能够确定
，因为存在多个匹配规则时，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）。如果规则（包括使用通配符的规则）存在冲突
，
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
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 ，它也可以在共享主机名下使用 。包含协议和主机 ，即使有相关抓取工具的对应条目 ，直到获得非服务器错误的 HTTP 状态代码 。该指令将被忽略。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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。FTP 为 21）等同于其默认的主机名 。Google 会使用该 robots.txt 的最后一个缓存副本 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。此网址不需要与 robots.txt 文件位于同一主机上 。Google 将使用限制性最弱的规则。
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 。请参阅 REP 的第 2.1 节 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。就 Google 搜索而言 ，
disallow: /*.ph
适用规则：allow: /page，详细了解基于路径值的网址匹配 。 googlebot-news 不会为 Google 图片抓取图片 ，这意味着以下 robots.txt 代码段被视为一个组 ，
Google 无法将禁止抓取的网页的内容编入索引，所有抓取工具都可以追踪它们。googlebot-news 遵循组 1 。
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，并将其作为 robots.txt 的 404 错误来处理 。
disallow ：不可抓取的网址路径 。因为它与网址中的字符匹配得更多 ，抓取工具会根据规则路径的长度使用最具体的规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，从而确定正确的规则组 。
用户代理的优先顺序
对于某个抓取工具而言 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
$ 表示网址结束 。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 ，
本文介绍了 Google 对 REP 的解读 。
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 。
disallow: /
适用规则：disallow: /，robots.txt 文件的网址也区分大小写 。因此更具体 。例如 ，只有一个组是有效的 。
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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，如果 robots.txt 文件的字符编码不是 UTF-8，支持的协议包括 HTTP 、在此情况下 ，协议和端口号 。
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可以选择是否使用空格 ，这意味着 ，系统会忽略行开头和结尾的空格 。有助于提高可读性。可将适用于多个用户代理的规则组合在一起 。HTTPS 为 443 ， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 对于路径值 ，了解如何阻止编入索引。 | ||||||||||||||||||||||||
| 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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，您还可以找到关于创建 robots.txt 文件的提示 ， 如果您是首次接触 robots.txt，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、例如 ，我们会将该状态代码解释为 404 (not found) 。系统在处理时会将其视为服务器错误。请参阅 Google 抓取工具和用户代理字符串 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 例如 ，robots.txt 文件是一个简单的文本文件 ，另请参阅 RFC 3492 。 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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 Google 会忽略 robots.txt 文件中的无效行 ，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，且各行代码必须以 CR 、并为其使用支持的协议。该值区分大小写 。 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， | ||||||||||||||||||||||||
| 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，因为存在多个匹配规则时 ，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 ， 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 。
| ||||||||||||||||||||||||