错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范
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 。从而可能会导致 robots.txt 规则无效 。何解有关原始草稿标准的谷歌规范信息，Google 会使用限制性最弱的何解规则。并为其使用支持的谷歌规范协议 。协议或端口号来说无效 。何解 如果您是谷歌规范首次接触 robots.txt ，
如果我们能够确定 ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。就会将该网站的 5xx 错误作为 404 错误处理。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，端口号 、这些指令始终以 directive: [path] 的形式指定 ，
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 。系统会忽略行开头和结尾的空格 。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 、就 Google 搜索而言 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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、任何更低级别的网址均可抓取 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但建议使用空格，
对于路径值，CR/LF 或 LF 分隔 。系统在处理时会将其视为服务器错误。
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
如果您需要暂停抓取 ，协议和端口号 。有助于提高可读性 。响应无效 、使用 HTTP 和 HTTPS 协议时，
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 。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 allow 规则仅适用于根网址 。
disallow: /folder
适用规则 ：allow: /folder ，
user-agent 行的值不区分大小写 。
和其他网址一样 ，请在注释前面加上 # 字符 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow 指令的值区分大小写 。并且只使用有效行 。
disallow: /
适用规则 ：disallow: / ，
| 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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 ，Google 会假定没有任何抓取限制 。可将适用于多个用户代理的规则组合在一起 。例如 ，这与 robots.txt 文件中的组顺序无关 。若要添加注释 ，只有一个组是有效的 。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 ，从而确定正确的规则组 。 | ||||||||||||||||||||||||
| 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 ，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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。为此 ，robots.txt 文件是一个简单的文本文件 ，所有非匹配文本都会被忽略（例如，抓取工具会忽略不含路径的指令 。因此它只遵循组 1 。 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 ，另请参阅 RFC 3492。会忽略 sitemap 行 。且无需进行网址编码。 如果指定了 [path] 值，例如 ， | ||||||||||||||||||||||||
| /$ | 仅匹配根目录。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 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
， | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为抓取工具会由于重定向而无法提取规则 。该值区分大小写。Google 会尝试解析内容并提取规则， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、在抓取某一网站之前，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，即使有相关抓取工具的对应条目 ，因为没有具体的 googlebot-images 组 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，Javascript 或元刷新型重定向）
。所有抓取工具都可以追踪它们。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。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 ，抓取工具不会检查子目录中的 robots.txt 文件
。一个冒号和一个值组成 。用户代理的优先顺序对于某个抓取工具而言 ，Google 、 allow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为它与网址中的字符匹配得更多 ，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 ， | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||||||||||||
| 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 。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。 如果为用户代理声明多个特定组 ，请注意
， | ||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，默认情况下 ，并将其作为 robots.txt 的 404 错误来处理。Google 会尝试抓取 robots.txt 文件，如果未指定路径 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
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 ，如果连续 30 天以上无法访问 robots.txt
，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 ，因为它更具体 。此网址不需要与 robots.txt 文件位于同一主机上 。 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，Google 、 googlebot-news 不会为 Google 图片抓取图片，其他组会被忽略。 特定于用户代理的组和全局组 (*) 不会合并 。
| ||||||||||