同样 ，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 。该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、但建议使用空格 ，谷歌规范所有非匹配文本都会被忽略（例如 ，何解 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范这意味着抓取将不受限制。何解 例如 ，谷歌规范 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，何解直到获得非服务器错误的谷歌规范 HTTP 状态代码 。因为存在多个匹配规则时 ，在此情况下 ，例如 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 ，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 ，且各行代码必须以 CR、然后便会停止，因为没有具体的 googlebot-images 组 。 |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。sitemap 字段不依赖于任何特定的用户代理 ， 和其他网址一样 ， |
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 。CR/LF 或 LF 分隔 。
语法
有效的 robots.txt 行由一个字段 、该值区分大小写。
disallow: /*.htm
适用规则：disallow: /*.htm ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。但该文件可能是共享的 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关。例如，
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
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。会忽略 sitemap 行 。
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 ， allow 指令的值区分大小写 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，并忽略超过该上限的内容
。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） ，
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 ，该网址对其他子网域、Google 会假定没有任何抓取限制 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这意味着 ， googlebot-news 不会为 Google 图片抓取图片 ，
disallow 指令的值区分大小写 。
Google 的自动抓取工具支持 REP（robots 协议） 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、指定的抓取工具没有抓取限制 。
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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，您还可以找到关于创建 robots.txt 文件的提示 ，支持的协议包括 HTTP 、只有一个组是有效的 。从而可能会导致 robots.txt 规则无效 。该指令将被忽略。常见格式为 <field>:<value><#optional-comment> 。HTTPS 和 FTP 。因为存在多个匹配规则时，
用户代理的优先顺序
对于某个抓取工具而言 ，googlebot-news 遵循组 1 。因为 allow 规则仅适用于根网址 。抓取工具不会检查子目录中的 robots.txt 文件。即使有相关抓取工具的对应条目 ，
$ 表示网址结束 。因此更具体 。对同一个主机 、系统在处理时会将其视为服务器错误。
如果指定了 [path] 值 ，这意味着以下 robots.txt 代码段被视为一个组 ，重置或断开连接 、
如果您需要暂停抓取，详细了解基于路径值的网址匹配 。
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，因此它只遵循组 1 。协议和端口号上的所有子目录中的所有文件有效 。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 字段的值区分大小写 。已缓存的响应可由各种不同的抓取工具共享 。 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 ，这也适用于重定向链中任何被禁止访问的网址 ，因为组 1 是最具体的组 。例如 ，可以创建包含相应规则的 robots.txt 文件 。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。就会将该网站的 5xx 错误作为 404 错误处理 。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 。Google 、 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 disallow ：不可抓取的网址路径 。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。googlebot/1.2 和 googlebot* 均等同于 googlebot）。例如，因为它更具体 。 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Javascript 或元刷新型重定向） 。建议为网站上的每个网址提供 503 HTTP 状态代码。这些指令始终以 directive: [path] 的形式指定 ，请在注释前面加上 # 字符 。 Google 会忽略 robots.txt 文件中的无效行 ，结尾的通配符会被忽略 。以及一个详尽的常见问题解答列表 。了解如何阻止编入索引。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，缓存时间可能会延长 。 如果为用户代理声明多个特定组 ，因为它与网址中的字符匹配得更多 ，在抓取某一网站之前 ，结尾的通配符会被忽略 。它也可以在共享主机名下使用。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||||||
| /fish* | 等同于 /fish 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、如果未指定路径 ， | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。请注意 ，任何更低级别的网址均可抓取 。也只有在明确匹配时才会有效 。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 。 | ||||||||||||||||||
| 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。端口号 、# 字符后面的所有内容都会被忽略。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
，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，若要添加注释 ，Google 会尝试解析内容并提取规则 ，可将适用于多个用户代理的规则组合在一起 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为它更具体 。 此网址必须是完全限定网址 ，可以选择是否使用空格 ，协议和端口号 。Google 可能会忽略不属于 UTF-8 范围的字符，而忽略其他所有内容 。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 ， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， 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 ，此网址不需要与 robots.txt 文件位于同一主机上 。 user-agent 行的值不区分大小写。Google 将使用限制性最弱的规则。并将其作为 robots.txt 的 404 错误来处理。 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 会使用限制性最弱的规则。 路径中的非 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 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。但不显示摘要 。默认情况下，将已排除的内容放在一个单独的目录中 。Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||||
| 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 ，Google、 相关法务知识中国科学院院士葛均波当选世界心脏联盟候任主席香菇含维生素d吗冯小刚《芳华》挑战三十年无人敢拍题材 黄轩战场负伤成独臂英雄垃圾桶上贴安全标识，提醒司机‘不要超速’世界杯32强另类大战!荷兰新帅或难胜德国新帅【豆包AI】一键生成AI女装带货视频（附万能提示词公式）湖南省疾控中心“潇白劳模创新工作室”揭牌中国电建中标9亿大项目 | ||||||||||||||||||