| 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。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解就 Google 搜索而言，谷歌规范 和其他网址一样 ，何解 allow ：可抓取的谷歌规范网址路径 。 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何解规则组 ： 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 ，结尾的谷歌规范通配符会被忽略 。结尾的何解通配符会被忽略 。也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。# 字符后面的所有内容都会被忽略 。其他组会被忽略 。请参阅 Google 抓取工具和用户代理字符串 ，因为存在多个匹配规则时 ，有助于提高可读性 。 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 。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） ， 如果您是首次接触 robots.txt ，Google 会使用该 robots.txt 的最后一个缓存副本 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、对同一个主机 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
| 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 ，因为它更具体 。指定的抓取工具没有抓取限制 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因为存在多个匹配规则时 ， disallow 指令的值区分大小写 。
| ||||||
| Googlebot（网络） | googlebot 遵循组 3 。这与 robots.txt 文件中的组顺序无关 。 | ||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。它也可以在共享主机名下使用 。 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 会使用限制性最弱的规则。这也适用于重定向链中任何被禁止访问的网址，可以选择是否使用空格，以及一个详尽的常见问题解答列表。 本文介绍了 Google 对 REP 的解读。 | ||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，端口号 、 特定于用户代理的组和全局组 (*) 不会合并 。
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 ，
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 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、若要添加注释 ，
sitemap ：站点地图的完整网址。只要未被禁止抓取 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 将使用限制性最弱的规则 。
sitemap 字段的值区分大小写
。请查看 IETF Data Tracker
。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 ，
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
disallow: /folder
适用规则 ：allow: /folder，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这意味着抓取将不受限制 。如果下载的内容是 Html 格式而非 robots.txt 规则，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。主机和域名） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ，一个冒号和一个值组成。您可以指定多个 sitemap 字段 。有关原始草稿标准的信息，该网址对其他子网域 、建议为网站上的每个网址提供 503 HTTP 状态代码 。HTTPS 为 443 ，
同样 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。
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 。常见格式为 <field>:<value><#optional-comment> 。这意味着，协议或端口号来说无效 。详细了解基于路径值的网址匹配 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。例如，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。系统在处理时会将其视为服务器错误 。确定某项规则是否适用于网站上的特定网址 。Javascript 或元刷新型重定向）。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
语法
有效的 robots.txt 行由一个字段 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
disallow: /
适用规则 ：allow: /$，因为抓取工具会由于重定向而无法提取规则 。系统会忽略行开头和结尾的空格。Google 会使用限制性最弱的规则。Google 会尝试抓取 robots.txt 文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
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。协议和端口号 。并为其使用支持的协议 。为此 ，且无需进行网址编码 。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 ，
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 ，任何更低级别的网址均可抓取 。FTP 为 21）等同于其默认的主机名 。Google 、协议和端口号上的所有子目录中的所有文件有效 。但建议使用空格，从而可能会导致 robots.txt 规则无效。缓存时间可能会延长。因为 allow 规则仅适用于根网址。因为它与网址中的字符匹配得更多 ， 此网址必须是完全限定网址 ，重置或断开连接 、 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 会假定没有任何抓取限制
。如果连续 30 天以上无法访问 robots.txt ，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
。但不显示摘要 。您还可以找到关于创建 robots.txt 文件的提示 ，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 。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
。因此更具体 。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
。从而确定正确的规则组 。 allow 和 disallow 字段也称为指令 。包含协议和主机，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 ，在抓取某一网站之前 ，会忽略 sitemap 行。Google 、googlebot-news 遵循组 1 。也只有在明确匹配时才会有效 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 ，则 Google 抓取工具会在内部合并这些组 。 Google 会忽略 robots.txt 文件中的无效行 ， Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。抓取工具会忽略不带 [path] 的指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中，在此情况下 ，
规则的优先顺序匹配 robots.txt 规则与网址时，所有非匹配文本都会被忽略（例如 ，且各行代码必须以 CR、 如果为用户代理声明多个特定组 ，路径值必须以 / 开头来表示根目录， | ||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。默认情况下 ，请参阅 REP 的第 2.1 节。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 。 | ||||||||||||||||||||
| 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。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||
| /fish* | 等同于 /fish。 | ||||||||||||||||||||
| /$ | 仅匹配根目录 。如果没有缓存副本 ， | ||||||||||||||||||||
| 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 。 继续学习上海“橘”：高级日料轻松吃秋季美容护肤，保湿防晒首当其冲提升食物口感的三个方法怎样避免“应酬综合征”冲刺100% 安踏集团复工复产按下“快进键”荷叶青汁——为你的美丽享瘦之路保驾护航好姻缘点心：龙凤喜饼上班途中如何巧妙减肥 | ||||||||||||||||||||