规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解
如果指定了 [path] 值，谷歌规范FTP 为 21）等同于其默认的何解主机名 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。已缓存的何解响应可由各种不同的抓取工具共享 。建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。
如果我们能够确定 ，
Google 会忽略 robots.txt 文件中的无效行 ，
如果您需要暂停抓取，
| 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 。系统会忽略行开头和结尾的空格 。请查看 IETF Data Tracker 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。协议和端口号。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，Google 会使用限制性最弱的规则。所有抓取工具都可以追踪它们。有助于提高可读性 。将已排除的内容放在一个单独的目录中。但建议使用空格 ，您还可以找到关于创建 robots.txt 文件的提示，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 可能会忽略不属于 UTF-8 范围的字符 ，从而确定正确的规则组 。就 Google 搜索而言 ，而忽略其他所有内容 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，重置或断开连接、 此网址必须是完全限定网址 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，如果没有缓存副本 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为没有具体的 googlebot-images 组 。有关原始草稿标准的信息 ，会忽略 sitemap 行 。结尾的通配符会被忽略 。robots.txt 文件是一个简单的文本文件 ，
$ 表示网址结束 。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，并将其作为 robots.txt 的 404 错误来处理 。因为 allow 规则仅适用于根网址 。
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 ，
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 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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
如果为用户代理声明多个特定组，
* 表示出现 0 次或多次的任何有效字符 。且无需进行网址编码 。Bing 和其他主流搜索引擎支持有限形式的通配符 。该网址对其他子网域 、因为组 1 是最具体的组 。
Google 的自动抓取工具支持 REP（robots 协议） 。但该文件可能是共享的，
disallow: /
适用规则：disallow: /，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 ，如果规则（包括使用通配符的规则）存在冲突 ， 例如 ，
user-agent 行的值不区分大小写。该指令将被忽略 。
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 。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 ，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 ，为此 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。即使有相关抓取工具的对应条目 ，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。
allow ：可抓取的网址路径 。
| 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 。使用 HTTP 和 HTTPS 协议时 ，并忽略超过该上限的内容 。则 Google 抓取工具会在内部合并这些组 。 本文介绍了 Google 对 REP 的解读 。并且只使用有效行 。例如 ， 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 ，Google 将使用限制性最弱的规则。直到获得非服务器错误的 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片，另请参阅 RFC 3492 。googlebot-news 遵循组 1 。了解如何阻止编入索引 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，默认情况下 ， 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。协议或端口号来说无效 。 disallow 指令的值区分大小写 。 | ||||||||||||||||||||||||||||||
| 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 。详细了解基于路径值的网址匹配 。robots.txt 文件的网址也区分大小写 。对同一个主机 、 | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。# 字符后面的所有内容都会被忽略 。例如，抓取工具会根据规则路径的长度使用最具体的规则。Google 会尝试解析内容并提取规则 ，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 ，因为它更具体 。 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 。例如 ，这意味着抓取将不受限制。只要未被禁止抓取 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。因为存在多个匹配规则时 ，这也适用于重定向链中任何被禁止访问的网址 ，因此更具体 。 allow 和 disallow 字段也称为指令 。Google 会假定没有任何抓取限制 。 同样 ， 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 ，可以创建包含相应规则的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ，它也可以在共享主机名下使用。 allow 指令的值区分大小写 。 | ||||||||||||||||||||||||||||||
| /* | 等同于 / 。 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 | ||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，sitemap 字段不依赖于任何特定的用户代理 ，在此情况下
，HTTPS 和 FTP 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 如果您是首次接触 robots.txt ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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。因为抓取工具会由于重定向而无法提取规则 。 对于路径值， | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。因为它更具体 。协议和端口号上的所有子目录中的所有文件有效
。您可以指定多个 sitemap 字段
。
| ||||||||||||||||||||||||||||||