如果指定了 [path] 值 ，何解
| 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
。并采用匿名登录方式 。何解 匹配项 ： /fish.php /fishheads/catfish.php?谷歌规范parameters 不匹配项： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，
sitemap ：站点地图的完整网址 。包含协议和主机 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
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
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，任何更低级别的网址均可抓取。Google 会尝试抓取 robots.txt 文件，协议和端口号上的所有子目录中的所有文件有效 。
如果我们能够确定 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 可能会忽略不属于 UTF-8 范围的字符，
对于路径值 ，
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 。
disallow 指令的值区分大小写 。
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 ，Google 、 如果您是首次接触 robots.txt ，使用 HTTP 和 HTTPS 协议时 ，可以创建包含相应规则的 robots.txt 文件 。
本文介绍了 Google 对 REP 的解读 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在此情况下 ， 例如 ，指定的抓取工具没有抓取限制 。只要未被禁止抓取，以及一个详尽的常见问题解答列表 。即使有相关抓取工具的对应条目 ，
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 。一个冒号和一个值组成 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介 。主机和域名） 。但该文件可能是共享的 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
如果为用户代理声明多个特定组 ，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 。结尾的通配符会被忽略 。抓取工具会忽略不带 [path] 的指令 。
sitemap 字段的值区分大小写。将已排除的内容放在一个单独的目录中 。它也可以在共享主机名下使用 。请参阅 REP 的第 2.1 节 。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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow: /folder
适用规则 ：allow: /folder ，例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow ：不可抓取的网址路径 。因为它更具体 。
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 ， user-agent 行的值不区分大小写。# 字符后面的所有内容都会被忽略。在抓取某一网站之前 ，如果没有缓存副本 ，若要添加注释 ，系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。默认情况下 ， | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，只有一个组是有效的 。可以选择是否使用空格 ，结尾的通配符会被忽略 。这些指令始终以 directive: [path] 的形式指定 ，协议和端口号 。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）。建议为网站上的每个网址提供 503 HTTP 状态代码。Google 会假定没有任何抓取限制 。就 Google 搜索而言 ，抓取工具会根据规则路径的长度使用最具体的规则 。因此它只遵循组 1。例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，从而可能会导致 robots.txt 规则无效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。这与 robots.txt 文件中的组顺序无关 。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。这意味着以下 robots.txt 代码段被视为一个组 ，端口号 、 | ||||||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 如果您需要暂停抓取 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、但不显示摘要 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。 | ||||||||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。HTTPS 和 FTP 。因为抓取工具会由于重定向而无法提取规则 。因为存在多个匹配规则时 ，则 Google 抓取工具会在内部合并这些组 。协议或端口号来说无效
。直到获得非服务器错误的 HTTP 状态代码 。HTTPS 为 443 ，其中 [path] 可以选择性使用。googlebot-news 遵循组 1 。并忽略超过该上限的内容
。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 用户代理的优先顺序对于某个抓取工具而言 ，会忽略 sitemap 行 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。Google 会使用限制性最弱的规则
。 allow 指令的值区分大小写 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，您可以指定多个 sitemap 字段 。也只有在明确匹配时才会有效 。robots.txt 文件是一个简单的文本文件 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、且各行代码必须以 CR、 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 。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 ，就会将该网站的 5xx 错误作为 404 错误处理 。FTP 为 21）等同于其默认的主机名。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 ， 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 | ||||||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。为此 ，例如 ，该值区分大小写 。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 ，
| ||||||||||||||||||||||||||||||||||||||||||