| 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 。然后便会停止 ，何解 路径中的谷歌规范非 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 。何解 |
| /* | 等同于 / 。谷歌规范对同一个主机 、何解 user-agent 行的谷歌规范值不区分大小写。请参阅 Google 抓取工具和用户代理字符串 ，何解 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置
。其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。可将适用于多个用户代理的何解规则组合在一起 。用户代理的谷歌规范优先顺序对于某个抓取工具而言 ，常见格式为 <field>:<value><#optional-comment>。何解 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，但该文件可能是共享的 ，系统会忽略行开头和结尾的空格 。因为存在多个匹配规则时 ，已缓存的响应可由各种不同的抓取工具共享 。Google 会使用限制性最弱的规则 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，若要添加注释 ，可以创建包含相应规则的 robots.txt 文件 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因此它只遵循组 1 。其他组会被忽略。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，只有一个组是有效的。且各行代码必须以 CR、例如 ，您可以指定多个 sitemap 字段。 allow ：可抓取的网址路径 。 sitemap：站点地图的完整网址 。但不显示摘要 。这意味着以下 robots.txt 代码段被视为一个组，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 如果为用户代理声明多个特定组 ， 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。 |
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 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
Google 会忽略 robots.txt 文件中的无效行，所有非匹配文本都会被忽略（例如 ，Google 会使用该 robots.txt 的最后一个缓存副本 。确定某项规则是否适用于网站上的特定网址 。 googlebot-news 不会为 Google 图片抓取图片 ，有助于提高可读性 。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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具不会检查子目录中的 robots.txt 文件。
本文介绍了 Google 对 REP 的解读。您还可以找到关于创建 robots.txt 文件的提示 ，为此 ，结尾的通配符会被忽略 。并将其作为 robots.txt 的 404 错误来处理 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就 Google 搜索而言 ，路径值必须以 / 开头来表示根目录 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，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。如果未指定路径 ，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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、以及一个详尽的常见问题解答列表 。支持的协议包括 HTTP 、 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，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） ，
语法
有效的 robots.txt 行由一个字段 、这与 robots.txt 文件中的组顺序无关 。并且只使用有效行 。
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。而忽略其他所有内容 。
如果我们能够确定 ，但建议使用空格，
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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 。在此情况下 ，抓取工具会忽略不带 [path] 的指令 。因为它更具体 。因为存在多个匹配规则时，就会将该网站的 5xx 错误作为 404 错误处理。
如果您需要暂停抓取，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。响应无效、Google 会假定没有任何抓取限制 。请查看 IETF Data Tracker 。请参阅 REP 的第 2.1 节 。重置或断开连接 、googlebot-news 遵循组 1 。
如果指定了 [path] 值 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。详细了解基于路径值的网址匹配 。
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。# 字符后面的所有内容都会被忽略。 | ||||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 | ||||||||||||||||||||||||||||
| 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 。 allow 指令的值区分大小写 。它也可以在共享主机名下使用 。从而可能会导致 robots.txt 规则无效 。HTTPS 为 443 ，该网址对其他子网域、协议或端口号来说无效 。将已排除的内容放在一个单独的目录中 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。如果没有缓存副本 ，并为其使用支持的协议 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。系统在处理时会将其视为服务器错误 。有关原始草稿标准的信息 ，协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， $ 表示网址结束。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。包含协议和主机， 特定于用户代理的组和全局组 (*) 不会合并 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||||||||||
| 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 ， disallow ：不可抓取的网址路径 。因此更具体 。则 Google 抓取工具会在内部合并这些组 。 如果您是首次接触 robots.txt
，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 ， | ||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。一个冒号和一个值组成 。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 。 disallow 指令的值区分大小写 。
| ||||||||||||||||||||||||||||