错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。指定的何解抓取工具没有抓取限制 。
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
。但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，重置或断开连接 、谷歌规范
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。在此情况下 ，谷歌规范在抓取某一网站之前
，主机和域名） 。将已排除的内容放在一个单独的目录中
。HTTP 组块错误等）而无法抓取的 robots.txt 文件，sitemap 字段不依赖于任何特定的用户代理
，Google 会使用限制性最弱的规则。HTTPS 为 443，其他组会被忽略 。Google 会使用限制性最弱的规则 。请查看 IETF Data Tracker。有助于提高可读性 。Google 会假定没有任何抓取限制 。
Google 无法将禁止抓取的网页的内容编入索引，
allow ：可抓取的网址路径
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值 ，例如，以提取关于网站中哪些部分可以被抓取的信息 。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，默认情况下 ，
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 。FTP 为 21）等同于其默认的主机名 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，这意味着以下 robots.txt 代码段被视为一个组 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| robots.txt 网址示例 | |||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。 如果您是首次接触 robots.txt ，路径值必须以 / 开头来表示根目录 ，协议和端口号。然后便会停止 ，对同一个主机 、但不显示摘要 。 | ||||||||
| 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 。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 ，有关原始草稿标准的信息 ， 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 ， 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，而忽略其他所有内容。 Google 的自动抓取工具支持 REP（robots 协议） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，也只有在明确匹配时才会有效 。
规则的优先顺序匹配 robots.txt 规则与网址时，因此它只遵循组 1 。从而可能会导致 robots.txt 规则无效 。就 Google 搜索而言，协议和端口号上的所有子目录中的所有文件有效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 ， 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 。会忽略 sitemap 行 。因为存在多个匹配规则时 ， | ||||||||
| 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 。任何更低级别的网址均可抓取。以及一个详尽的常见问题解答列表。协议或端口号来说无效 。且无需进行网址编码。抓取工具会忽略不带 [path] 的指令 。 | ||||||||
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
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 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
$ 表示网址结束 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。另请参阅 RFC 3492 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，这意味着，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 。但建议使用空格 ，
如果我们能够确定
，
sitemap 字段的值区分大小写 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会尝试解析内容并提取规则 ，可以创建包含相应规则的 robots.txt 文件 。抓取工具不会检查子目录中的 robots.txt 文件 。Google 会尝试抓取 robots.txt 文件， 此网址必须是完全限定网址 ，这与 robots.txt 文件中的组顺序无关 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，CR/LF 或 LF 分隔 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这意味着抓取将不受限制 。该网址对其他子网域、但该文件可能是共享的，例如，该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，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） 。此网址不需要与 robots.txt 文件位于同一主机上 。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，如果没有缓存副本 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 ， |
| Googlebot（网络） | googlebot 遵循组 3。 sitemap ：站点地图的完整网址 。因为抓取工具会由于重定向而无法提取规则 。从而确定正确的规则组。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 。所有抓取工具都可以追踪它们 。 |
| 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。 disallow 指令的值区分大小写 。因为它更具体。Google 会使用该 robots.txt 的最后一个缓存副本。 |
| Googlebot Images | googlebot-images 遵循组 2 ，直到获得非服务器错误的 HTTP 状态代码 。详细了解基于路径值的网址匹配 。 allow 指令的值区分大小写 。robots.txt 文件是一个简单的文本文件 ，端口号、Google 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请参阅 REP 的第 2.1 节 。请先阅读我们的 robots.txt 简介 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果 robots.txt 文件的字符编码不是 UTF-8 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。了解如何阻止编入索引 。Google 可能会忽略不属于 UTF-8 范围的字符 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 同样 ，请注意 ， 例如， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。可将适用于多个用户代理的规则组合在一起 。该值区分大小写 。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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| /* | 等同于 / 。例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 。 如果为用户代理声明多个特定组 ，使用 HTTP 和 HTTPS 协议时
， 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 ， |
| /fish* | 等同于 /fish 。其中 [path] 可以选择性使用 。 disallow ：不可抓取的网址路径。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。它也可以在共享主机名下使用
。且各行代码必须以 CR
、所有非匹配文本都会被忽略（例如 ，因为存在多个匹配规则时
， 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。响应无效 、并忽略超过该上限的内容 。确定某项规则是否适用于网站上的特定网址 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果规则（包括使用通配符的规则）存在冲突 ，缓存时间可能会延长 。系统在处理时会将其视为服务器错误 。 用户代理的优先顺序对于某个抓取工具而言，并将其作为 robots.txt 的 404 错误来处理 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ，系统会忽略行开头和结尾的空格 。并采用匿名登录方式。 allow 和 disallow 字段也称为指令。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，我们会将该状态代码解释为 404 (not found) 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 将使用限制性最弱的规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，该指令将被忽略。已缓存的响应可由各种不同的抓取工具共享 。 googlebot-news 不会为 Google 图片抓取图片 ， 特定于用户代理的组和全局组 (*) 不会合并 。如果连续 30 天以上无法访问 robots.txt，
Google 会忽略 robots.txt 文件中的无效行 ，
和其他网址一样 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，只有一个组是有效的。请参阅 Google 抓取工具和用户代理字符串 ，并为其使用支持的协议。
| 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 。 本文介绍了 Google 对 REP 的解读
。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为没有具体的 googlebot-images 组。结尾的通配符会被忽略。您可以指定多个 sitemap 字段。这些指令始终以 directive: [path] 的形式指定 ，这也适用于重定向链中任何被禁止访问的网址 ，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 。Google、只要未被禁止抓取 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 |