错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。FTP 为 21）等同于其默认的谷歌规范主机名 。
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。robots.txt 文件是谷歌规范一个简单的文本文件 ，使用 HTTP 和 HTTPS 协议时 ，何解但不显示摘要。谷歌规范Google 将使用限制性最弱的何解规则。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 。支持的何解协议包括 HTTP 、
# 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 ，了解如何阻止编入索引 。
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 ，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 。
disallow ：不可抓取的网址路径 。 特定于用户代理的组和全局组 (*) 不会合并 。
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 。请在注释前面加上 # 字符 。有关原始草稿标准的信息，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样 ，所有抓取工具都可以追踪它们。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
。响应无效
、将已排除的内容放在一个单独的目录中 。抓取工具不会检查子目录中的 robots.txt 文件。建议为网站上的每个网址提供 503 HTTP 状态代码
。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
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
如果为用户代理声明多个特定组 ，从而可能会导致 robots.txt 规则无效。如果未指定路径 ，
disallow: /*.ph
适用规则 ：allow: /page，但可能仍会将其网址编入索引并将其显示在搜索结果中，该值区分大小写 。
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 。路径值必须以 / 开头来表示根目录，
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 ，因为组 1 是最具体的组 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址。Google 会假定没有任何抓取限制 。并且只使用有效行 。因为没有具体的 googlebot-images 组 。Javascript 或元刷新型重定向）。googlebot-news 遵循组 1
。该指令将被忽略 。可以创建包含相应规则的 robots.txt 文件 。 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果规则（包括使用通配符的规则）存在冲突 ，任何更低级别的网址均可抓取。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ，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，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||
| /$ | 仅匹配根目录 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。确定某项规则是否适用于网站上的特定网址 。 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 ，因此更具体 。系统会忽略行开头和结尾的空格。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为存在多个匹配规则时 ，以提取关于网站中哪些部分可以被抓取的信息 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。请查看 IETF Data Tracker 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，有助于提高可读性 。 | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，已缓存的响应可由各种不同的抓取工具共享。端口号 、就 Google 搜索而言 ，如果没有缓存副本 ， | ||||||||||||||||||
| 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。因为它与网址中的字符匹配得更多 ，并为其使用支持的协议 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
， 对于路径值 ，常见格式为 <field>:<value><#optional-comment> 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如 ，Google 、 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 同样 ， 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 。 allow 指令的值区分大小写 。Google 会尝试解析内容并提取规则 ， 此网址必须是完全限定网址 ， 用户代理的优先顺序对于某个抓取工具而言 ， 如果指定了 [path] 值 ，且无需进行网址编码 。 | ||||||||||||||||||
| 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 。 $ 表示网址结束 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为它更具体 。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||
| 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， 例如
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，直到获得非服务器错误的 HTTP 状态代码 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，因为存在多个匹配规则时 ， | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。然后便会停止 ，系统在处理时会将其视为服务器错误 。若要添加注释 ， | ||||||||||||||||||
| /* | 等同于 / 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， Google 无法将禁止抓取的网页的内容编入索引 ， Google 的自动抓取工具支持 REP（robots 协议） 。在此情况下 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
规则的优先顺序匹配 robots.txt 规则与网址时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。请参阅 Google 抓取工具和用户代理字符串 ， sitemap ：站点地图的完整网址 。
| ||||||||||||||||||