错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解如果没有缓存副本 ，谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引 ，HTTPS 为 443，谷歌规范Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范robots.txt 文件的何解网址也区分大小写 。CR/LF 或 LF 分隔 。谷歌规范
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 ，直到获得非服务器错误的 HTTP 状态代码。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 特定于用户代理的组和全局组 (*) 不会合并 。这些指令始终以 directive: [path] 的形式指定，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 disallow ：不可抓取的网址路径。也只有在明确匹配时才会有效 。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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page， |
| 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 。这与 robots.txt 文件中的组顺序无关 。任何更低级别的网址均可抓取。因为它更具体。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该值区分大小写 。robots.txt 文件是一个简单的文本文件 ，
sitemap 字段的值区分大小写 。
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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。但建议使用空格 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，您可以指定多个 sitemap 字段 。 | ||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 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 。请先阅读我们的 robots.txt 简介 。 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 。并将其作为 robots.txt 的 404 错误来处理 。请在注释前面加上 # 字符。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，并忽略超过该上限的内容 。用户代理的优先顺序对于某个抓取工具而言 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。一个冒号和一个值组成。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ，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 。为此 ，主机和域名） 。例如 ，HTTPS 和 FTP。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。 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
。因为它更具体。因为存在多个匹配规则时 ，以提取关于网站中哪些部分可以被抓取的信息 。使用 HTTP 和 HTTPS 协议时 ，googlebot-news 遵循组 1 。 如果指定了 [path] 值 ， allow ：可抓取的网址路径。如果下载的内容是 Html 格式而非 robots.txt 规则 ，该指令将被忽略 。 | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，可以创建包含相应规则的 robots.txt 文件。 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， allow 和 disallow 字段也称为指令 。例如 ， googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||||||||||||
| 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 ，请注意 ， 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 。 | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。因此它只遵循组 1 。从而确定正确的规则组
。抓取工具会根据规则路径的长度使用最具体的规则 。 Google 会忽略 robots.txt 文件中的无效行 ，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 ，将已排除的内容放在一个单独的目录中 。有助于提高可读性 。Google 会假定没有任何抓取限制。 user-agent 行的值不区分大小写 。常见格式为 <field>:<value><#optional-comment> 。抓取工具不会检查子目录中的 robots.txt 文件 。 例如 ，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
，此网址不需要与 robots.txt 文件位于同一主机上
。FTP 为 21）等同于其默认的主机名。结尾的通配符会被忽略。结尾的通配符会被忽略 。会忽略 sitemap 行 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
， $ 表示网址结束 。 | ||||||||||||||||||||||||||
| 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、并且只使用有效行 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||||
| 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，有关原始草稿标准的信息 ， 此网址必须是完全限定网址 ，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 。指定的抓取工具没有抓取限制 。缓存时间可能会延长 。 和其他网址一样 ，协议或端口号来说无效。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、系统会忽略行开头和结尾的空格 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 同样 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，
| ||||||||||||||||||||||||||