user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。谷歌规范这意味着抓取将不受限制 。何解但不显示摘要。谷歌规范这些指令始终以 directive: [path] 的何解形式指定 ，
| 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
。 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 ，以及一个详尽的谷歌规范常见问题解答列表。抓取工具不会检查子目录中的何解 robots.txt 文件 。 | ||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。谷歌规范您还可以找到关于创建 robots.txt 文件的何解提示 ，因此它只遵循组 1 。谷歌规范因为 allow 规则仅适用于根网址 。何解 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，谷歌规范因为它更具体 。何解 如果我们能够确定 ，谷歌规范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，此网址不需要与 robots.txt 文件位于同一主机上 。Javascript 或元刷新型重定向） 。 allow 和 disallow 字段也称为指令。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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， | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，但建议使用空格 ， 如果为用户代理声明多个特定组 ，协议或端口号来说无效 。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 ， disallow 指令的值区分大小写 。在此情况下 ，系统在处理时会将其视为服务器错误 。 Google 会忽略 robots.txt 文件中的无效行 ，因为存在多个匹配规则时 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，因为它与网址中的字符匹配得更多，所有抓取工具都可以追踪它们 。googlebot-news 遵循组 1 。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 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 | ||||||||||||||||||||||||||||||||||||
| 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 。支持的协议包括 HTTP 、一个冒号和一个值组成。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 、主机和域名）。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 ，robots.txt 文件的网址也区分大小写。从而确定正确的规则组 。只有一个组是有效的 。并且只使用有效行 。如果没有缓存副本 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。结尾的通配符会被忽略。抓取工具会忽略不带 [path] 的指令。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，并为其使用支持的协议 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。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），Google 可能会忽略不属于 UTF-8 范围的字符 ，从而可能会导致 robots.txt 规则无效 。因为组 1 是最具体的组 。Google 、Google 将使用限制性最弱的规则。则 Google 抓取工具会在内部合并这些组 。并采用匿名登录方式 。已缓存的响应可由各种不同的抓取工具共享 。会忽略 sitemap 行 。以提取关于网站中哪些部分可以被抓取的信息。其他组会被忽略 。详细了解基于路径值的网址匹配 。重置或断开连接 、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 。而忽略其他所有内容 。 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 。 本文介绍了 Google 对 REP 的解读。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。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 ，FTP 为 21）等同于其默认的主机名 。Google 会尝试抓取 robots.txt 文件 ，这意味着以下 robots.txt 代码段被视为一个组 ，例如 ， | ||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、另请参阅 RFC 3492 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。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 ， 此网址必须是完全限定网址
，# 字符后面的所有内容都会被忽略 。就会将该网站的 5xx 错误作为 404 错误处理
。也只有在明确匹配时才会有效
。建议为网站上的每个网址提供 503 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 对于路径值 ， 如果您是首次接触 robots.txt ，但该文件可能是共享的 ，对同一个主机 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 同样 ， | ||||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，robots.txt 文件是一个简单的文本文件 ，例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
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
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，有关原始草稿标准的信息，因为没有具体的 googlebot-images 组 。HTTPS 为 443 ，Google 会尝试解析内容并提取规则 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 。包含协议和主机 ， allow 指令的值区分大小写
。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。抓取工具会忽略不含路径的指令 。 特定于用户代理的组和全局组 (*) 不会合并
。 如果指定了 [path] 值 ，请先阅读我们的 robots.txt 简介。如果连续 30 天以上无法访问 robots.txt ，可将适用于多个用户代理的规则组合在一起 。然后便会停止 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，确定某项规则是否适用于网站上的特定网址 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会使用限制性最弱的规则 。结尾的通配符会被忽略 。 |
| 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，即使有相关抓取工具的对应条目 ，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 。HTTPS 和 FTP 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 |