这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解将已排除的谷歌规范内容放在一个单独的目录中 。
如果我们能够确定 ，何解
什么是谷歌规范 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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较。这意味着抓取将不受限制 。谷歌规范
disallow: /*.ph
适用规则 ：allow: /page ，何解
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。
disallow 指令的值区分大小写。 特定于用户代理的组和全局组 (*) 不会合并。协议和端口号 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。以提取关于网站中哪些部分可以被抓取的信息。
和其他网址一样 ，
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 。重置或断开连接 、系统在处理时会将其视为服务器错误 。结尾的通配符会被忽略。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
如果您需要暂停抓取 ，协议或端口号来说无效
。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。且无需进行网址编码 。因为它与网址中的字符匹配得更多 ，因为 allow 规则仅适用于根网址 。CR/LF 或 LF 分隔。例如，会忽略 sitemap 行 。包含协议和主机，抓取工具不会检查子目录中的 robots.txt 文件 。可以创建包含相应规则的 robots.txt 文件 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 此网址必须是完全限定网址 ，如果连续 30 天以上无法访问 robots.txt ，请注意 ，该指令将被忽略 。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。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，请查看 IETF Data Tracker 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。只要未被禁止抓取 ，因为它更具体。但建议使用空格 ， | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。Google 将使用限制性最弱的规则 。这些指令始终以 directive: [path] 的形式指定 ，您可以指定多个 sitemap 字段 。则 Google 抓取工具会在内部合并这些组 。您还可以找到关于创建 robots.txt 文件的提示 ，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
。因为存在多个匹配规则时 ，这意味着 ，直到获得非服务器错误的 HTTP 状态代码 。Google、抓取工具会根据规则路径的长度使用最具体的规则
。因为没有具体的 googlebot-images 组 。 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，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 ， 如果为用户代理声明多个特定组 ，就会将该网站的 5xx 错误作为 404 错误处理。请在注释前面加上 # 字符。此网址不需要与 robots.txt 文件位于同一主机上。详细了解基于路径值的网址匹配 。如果未指定路径，例如，这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， disallow ：不可抓取的网址路径。 | ||||||||||
| 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。Google 可能会忽略不属于 UTF-8 范围的字符 ，因此它只遵循组 1 。我们会将该状态代码解释为 404 (not found) 。其他组会被忽略。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 ，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 。 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。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 、 googlebot-news 不会为 Google 图片抓取图片 ，而忽略其他所有内容 。 | ||||||||||
| 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
。 如果指定了 [path] 值 ，该网址对其他子网域 、这意味着以下 robots.txt 代码段被视为一个组，所有非匹配文本都会被忽略（例如 ， | ||||||||||
| /* | 等同于 / 。系统会忽略行开头和结尾的空格 。Google 会使用限制性最弱的规则 。 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 。如果没有缓存副本，sitemap 字段不依赖于任何特定的用户代理，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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 ，且各行代码必须以 CR、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。只有一个组是有效的 。另请参阅 RFC 3492 。并且只使用有效行 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||
| 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 本文介绍了 Google 对 REP 的解读 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具会忽略不含路径的指令 。有关原始草稿标准的信息 ， $ 表示网址结束 。了解如何阻止编入索引 。 语法有效的 robots.txt 行由一个字段、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，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）， | ||||||||||
| 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 ， | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 对于路径值 ，端口号、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
， 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， 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 ，为此 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，响应无效 、 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，在抓取某一网站之前 ，也只有在明确匹配时才会有效 。 Google 无法将禁止抓取的网页的内容编入索引 ，因为抓取工具会由于重定向而无法提取规则 。因为组 1 是最具体的组 。建议为网站上的每个网址提供 503 HTTP 状态代码。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，HTTPS 为 443 ， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，但不显示摘要 。抓取工具会忽略不带 [path] 的指令 。googlebot-news 遵循组 1 。但该文件可能是共享的 ，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。因此更具体。 例如 ， 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 。 sitemap：站点地图的完整网址 。请先阅读我们的 robots.txt 简介 。 | ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，支持的协议包括 HTTP 、
| 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 。
| ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，路径值必须以 / 开头来表示根目录 ， 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 。所有抓取工具都可以追踪它们 。# 字符后面的所有内容都会被忽略 。 allow 指令的值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
， | ||||||||