| 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 。但不显示摘要 。何解此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范我们会将该状态代码解释为 404 (not found) 。何解您可以指定多个 sitemap 字段。谷歌规范 用法： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的何解路径 。Google 会假定没有任何抓取限制。谷歌规范指定的何解抓取工具没有抓取限制 。 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谷歌规范规则组 ： 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 ，常见格式为 <field>:<value><#optional-comment> 。何解robots.txt 文件是谷歌规范一个简单的文本文件，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解就 Google 搜索而言 ，谷歌规范 allow 和 disallow 字段也称为指令 。何解抓取工具会忽略不带 [path] 的谷歌规范指令 。该值区分大小写 。 sitemap ：站点地图的完整网址 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，并忽略超过该上限的内容
。将已排除的内容放在一个单独的目录中
。请注意 ，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
，并采用匿名登录方式 。可以选择是否使用空格， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。例如 ，其中 [path] 可以选择性使用 。直到获得非服务器错误的 HTTP 状态代码。也只有在明确匹配时才会有效 。Google 会尝试抓取 robots.txt 文件 ，且各行代码必须以 CR 、系统会忽略行开头和结尾的空格 。并且只使用有效行 。 googlebot-news 不会为 Google 图片抓取图片 ，会忽略 sitemap 行。因为它更具体 。默认情况下，并将其作为 robots.txt 的 404 错误来处理 。Google 、 |
| /* | 等同于 / 。因为 allow 规则仅适用于根网址 。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。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，HTTP 组块错误等）而无法抓取的 robots.txt 文件， |
| 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，了解如何阻止编入索引 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它与网址中的字符匹配得更多 ，为此，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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
。
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果未指定路径，这意味着以下 robots.txt 代码段被视为一个组 ，一个冒号和一个值组成 。所有非匹配文本都会被忽略（例如 ， 例如 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，FTP 为 21）等同于其默认的主机名 。
| 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 。系统在处理时会将其视为服务器错误 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， |
| 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。 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 ，对同一个主机、
Google 会忽略 robots.txt 文件中的无效行，
如果我们能够确定 ，从而确定正确的规则组 。这与 robots.txt 文件中的组顺序无关。
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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具会忽略不含路径的指令 。这些指令始终以 directive: [path] 的形式指定 ，使用 HTTP 和 HTTPS 协议时，协议或端口号来说无效。
和其他网址一样 ，并为其使用支持的协议。
对于路径值 ，Google 会使用限制性最弱的规则 。
同样 ，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 ，只要未被禁止抓取 ，因为抓取工具会由于重定向而无法提取规则 。robots.txt 文件的网址也区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。协议和端口号 。
disallow ：不可抓取的网址路径 。
Google 的自动抓取工具支持 REP（robots 协议）。抓取工具会根据规则路径的长度使用最具体的规则 。路径值必须以 / 开头来表示根目录，
$ 表示网址结束 。在抓取某一网站之前，
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 ，sitemap 字段不依赖于任何特定的用户代理 ，这也适用于重定向链中任何被禁止访问的网址 ，
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，这意味着 ，例如 ，主机和域名） 。
本文介绍了 Google 对 REP 的解读 。而忽略其他所有内容 。则 Google 抓取工具会在内部合并这些组。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， 此网址必须是完全限定网址，如果规则（包括使用通配符的规则）存在冲突 ，若要添加注释 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，如果没有缓存副本 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 。可以创建包含相应规则的 robots.txt 文件。Google 会尝试解析内容并提取规则 ，如果下载的内容是 Html 格式而非 robots.txt 规则，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。其他组会被忽略。因为存在多个匹配规则时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow: /folder
适用规则 ：allow: /folder，CR/LF 或 LF 分隔。因为存在多个匹配规则时，如果 robots.txt 文件的字符编码不是 UTF-8 ，端口号 、
语法
有效的 robots.txt 行由一个字段
、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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）。Google 会使用该 robots.txt 的最后一个缓存副本 。
allow 指令的值区分大小写 。
user-agent 行的值不区分大小写 。协议和端口号上的所有子目录中的所有文件有效
。
如果您需要暂停抓取 ，googlebot-news 遵循组 1 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为组 1 是最具体的组 。因此更具体 。503 (service unavailable) 错误会导致非常频繁的重试操作 。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 ，请在注释前面加上 # 字符 。请先阅读我们的 robots.txt 简介 。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 ，Google 将使用限制性最弱的规则。重置或断开连接 、例如 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，以及一个详尽的常见问题解答列表 。有关原始草稿标准的信息，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow 指令的值区分大小写。只有一个组是有效的 。Javascript 或元刷新型重定向） 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTPS 和 FTP 。
disallow: /
适用规则 ：disallow: / ，
如果为用户代理声明多个特定组，HTTPS 为 443 ，
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。抓取工具会使用标准 RETR (RETRIEVE) 命令，请查看 IETF Data Tracker 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，以提取关于网站中哪些部分可以被抓取的信息。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。缓存时间可能会延长 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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
/desert/fish
注意 ：匹配时区分大小写。
allow：可抓取的网址路径。
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 。详细了解基于路径值的网址匹配 。
sitemap 字段的值区分大小写。另请参阅 RFC 3492。但建议使用空格，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。从而可能会导致 robots.txt 规则无效 。支持的协议包括 HTTP 、且无需进行网址编码。可将适用于多个用户代理的规则组合在一起 。在此情况下 ，如果连续 30 天以上无法访问 robots.txt，
如果指定了 [path] 值 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为没有具体的 googlebot-images 组 。
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，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， | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。Google 可能会忽略不属于 UTF-8 范围的字符 ，任何更低级别的网址均可抓取。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 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 ：
| ||||||||||||||||