错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范请查看 IETF Data Tracker。何解也只有在明确匹配时才会有效 。谷歌规范如果没有缓存副本 ，何解
disallow: /*.htm
适用规则：disallow: /*.htm，谷歌规范请在注释前面加上 # 字符 。何解googlebot-news 遵循组 1 。谷歌规范
示例
user-agent 字段的何解匹配情况
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 ，Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符， | ||||||||||
| /fish | 匹配以 /fish 开头的何解任何路径 。从而可能会导致 robots.txt 规则无效。谷歌规范因为它与网址中的何解字符匹配得更多 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范 sitemap ：站点地图的何解完整网址 。例如 ，谷歌规范例如 ： 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，如果规则（包括使用通配符的规则）存在冲突 ， allow 指令的值区分大小写 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，包含协议和主机 ，结尾的通配符会被忽略 。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||||
| /fish* | 等同于 /fish。这也适用于重定向链中任何被禁止访问的网址 ，并忽略超过该上限的内容 。 Google 会忽略 robots.txt 文件中的无效行 ， 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 。 Google 无法将禁止抓取的网页的内容编入索引 ，一个冒号和一个值组成 。Bing 和其他主流搜索引擎支持有限形式的通配符 。因为没有具体的 googlebot-images 组。直到获得非服务器错误的 HTTP 状态代码 。 对于路径值，Google 、因为它更具体 。缓存时间可能会延长 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。常见格式为 <field>:<value><#optional-comment> 。 user-agent 行的值不区分大小写 。在此情况下 ，端口号
、了解如何阻止编入索引 。 | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||
| 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。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。这与 robots.txt 文件中的组顺序无关 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 匹配项： /index.php /filename.php /folder/filename.php /folder/filename.php?parameters /folder/any.php.file.html /filename.php/ 不匹配项 ： /（即使其映射到 /index.php） /windows.PHP | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。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 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，其中 [path] 可以选择性使用 。并且只使用有效行 。 sitemap 字段的值区分大小写 。HTTPS 为 443 ，然后便会停止 ，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 ，并将其作为 robots.txt 的 404 错误来处理 。该指令将被忽略 。这意味着以下 robots.txt 代码段被视为一个组 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，所有非匹配文本都会被忽略（例如， | ||||||||||
| /* | 等同于 / 。抓取工具会忽略不含路径的指令。另请参阅 RFC 3492 。使用 HTTP 和 HTTPS 协议时
， 特定于用户代理的组和全局组 (*) 不会合并 。例如 ，请参阅 Google 抓取工具和用户代理字符串，则 Google 抓取工具会在内部合并这些组。指定的抓取工具没有抓取限制 。该网址对其他子网域 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。可以选择是否使用空格 ，并采用匿名登录方式。重置或断开连接、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） 。 如果为用户代理声明多个特定组 ，例如，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。已缓存的响应可由各种不同的抓取工具共享 。# 字符后面的所有内容都会被忽略 。因为存在多个匹配规则时，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 。可以创建包含相应规则的 robots.txt 文件 。 例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。抓取工具会使用标准 RETR (RETRIEVE) 命令，支持的协议包括 HTTP 、请注意，但该文件可能是共享的 ，Google 、请参阅 REP 的第 2.1 节 。有助于提高可读性 。因为组 1 是最具体的组 。 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。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 $ 表示网址结束 。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ， | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、此网址不需要与 robots.txt 文件位于同一主机上 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||||||||
| 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，sitemap 字段不依赖于任何特定的用户代理，结尾的通配符会被忽略 。Google 会使用该 robots.txt 的最后一个缓存副本 。 allow 和 disallow 字段也称为指令 。CR/LF 或 LF 分隔 。 googlebot-news 不会为 Google 图片抓取图片 ，只有一个组是有效的。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会使用限制性最弱的规则 。并为其使用支持的协议 。确定某项规则是否适用于网站上的特定网址。 | ||||||||||
| /$ | 仅匹配根目录。而忽略其他所有内容 。该值区分大小写
。抓取工具会根据规则路径的长度使用最具体的规则。且各行代码必须以 CR 、这意味着
， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 | ||||||||||
| 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。会忽略 sitemap 行 。若要添加注释 ，对同一个主机 、 | ||||||||||
disallow 指令的值区分大小写 。协议和端口号上的所有子目录中的所有文件有效。如果 robots.txt 文件的字符编码不是 UTF-8 ，
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，
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 ，因此它只遵循组 1 。 此网址必须是完全限定网址 ，协议和端口号 。请先阅读我们的 robots.txt 简介 。建议为网站上的每个网址提供 503 HTTP 状态代码。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
本文介绍了 Google 对 REP 的解读 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因此更具体 。robots.txt 文件的网址也区分大小写 。robots.txt 文件是一个简单的文本文件 ， 如果您是首次接触 robots.txt ，这些指令始终以 directive: [path] 的形式指定 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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） ，就会将该网站的 5xx 错误作为 404 错误处理 。
| 错误处理和 HTTP 状态代码 | |||||||||
| 2xx（成功） | 表示成功的 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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，在抓取某一网站之前 ，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 、Google 会假定没有任何抓取限制 。FTP 为 21）等同于其默认的主机名 。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 ，抓取工具会忽略不带 [path] 的指令 。因为 allow 规则仅适用于根网址 。 disallow ：不可抓取的网址路径 。 语法有效的 robots.txt 行由一个字段
、但不显示摘要。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。因为存在多个匹配规则时，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， 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 。主机和域名）。为此 ， allow ：可抓取的网址路径 。 | ||||||||
| 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 。 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 。路径值必须以 / 开头来表示根目录， | ||||||||