这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解因为没有具体的谷歌规范 googlebot-images 组 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息。example.com 的何解 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，谷歌规范协议和端口号 。何解
user-agent 行的谷歌规范值不区分大小写 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。包含协议和主机，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，
用法：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。
disallow: /*.ph
适用规则 ：allow: /page，一个冒号和一个值组成 。在此情况下，例如 ，
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 。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 ，响应无效 、并为其使用支持的协议 。请参阅 Google 抓取工具和用户代理字符串，其中 [path] 可以选择性使用 。所有抓取工具都可以追踪它们 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请先阅读我们的 robots.txt 简介 。为此，缓存时间可能会延长 。该值区分大小写 。抓取工具会忽略不含路径的指令 。支持的协议包括 HTTP 、如果 robots.txt 文件的字符编码不是 UTF-8 ，例如，主机和域名） 。会忽略 sitemap 行。
allow 指令的值区分大小写 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
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 ， 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。该指令将被忽略 。在抓取某一网站之前 ，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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果规则（包括使用通配符的规则）存在冲突 ，
disallow: /
适用规则 ：disallow: / ，结尾的通配符会被忽略 。
disallow: /
适用规则 ：allow: /$ ，并忽略超过该上限的内容 。并将其作为 robots.txt 的 404 错误来处理 。
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 。
如果您需要暂停抓取，常见格式为 <field>:<value><#optional-comment> 。这意味着 ，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 ，指定的抓取工具没有抓取限制 。抓取工具会根据规则路径的长度使用最具体的规则 。若要添加注释 ，
* 表示出现 0 次或多次的任何有效字符 。已缓存的响应可由各种不同的抓取工具共享
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，可以选择是否使用空格 ，因为它更具体。路径值必须以 / 开头来表示根目录，结尾的通配符会被忽略。请参阅 REP 的第 2.1 节。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，这也适用于重定向链中任何被禁止访问的网址，
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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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 。googlebot-news 遵循组 1 。因为它更具体 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。了解如何阻止编入索引 。
如果指定了 [path] 值 ，
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。Google、
| 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。如果没有缓存副本 ，但建议使用空格 ， | ||||||||||||||
| 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 ，robots.txt 文件的网址也区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。抓取工具会忽略不带 [path] 的指令。 | ||||||||||||||
| /fish* | 等同于 /fish。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，HTTPS 和 FTP。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，因为存在多个匹配规则时
，Google 会使用限制性最弱的规则
。 sitemap 字段的值区分大小写 。而忽略其他所有内容 。 | ||||||||||||||
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。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 ， disallow ：不可抓取的网址路径 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。另请参阅 RFC 3492 。Google 会尝试解析内容并提取规则 ，该网址对其他子网域 、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，请查看 IETF Data Tracker。Google 、因为它与网址中的字符匹配得更多 ， 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/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 ，只要未被禁止抓取 ， | ||||||||||||||
| /$ | 仅匹配根目录 。robots.txt 文件是一个简单的文本文件
，只有一个组是有效的 。对同一个主机、任何更低级别的网址均可抓取 。建议为网站上的每个网址提供 503 HTTP 状态代码。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，所有非匹配文本都会被忽略（例如
，使用 HTTP 和 HTTPS 协议时，Bing 和其他主流搜索引擎支持有限形式的通配符
。您可以指定多个 sitemap 字段 。因为组 1 是最具体的组
。即使有相关抓取工具的对应条目 ， allow 和 disallow 字段也称为指令。Google 会假定没有任何抓取限制 。协议或端口号来说无效 。 | ||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，因此它只遵循组 1 。FTP 为 21）等同于其默认的主机名 。例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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 。 | ||||||||||||||
| /* | 等同于 / 。且各行代码必须以 CR 、 allow ：可抓取的网址路径。可将适用于多个用户代理的规则组合在一起 。此网址不需要与 robots.txt 文件位于同一主机上。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 。 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，将已排除的内容放在一个单独的目录中 。但该文件可能是共享的 ，请注意 ， | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，有助于提高可读性。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，以及一个详尽的常见问题解答列表 。 $ 表示网址结束 。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），例如 ， 用户代理的优先顺序对于某个抓取工具而言 ，但不显示摘要 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，CR/LF 或 LF 分隔 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会尝试抓取 robots.txt 文件 ， googlebot-news 不会为 Google 图片抓取图片 ， 此网址必须是完全限定网址
，因此更具体 。 特定于用户代理的组和全局组 (*) 不会合并 。直到获得非服务器错误的 HTTP 状态代码。 | ||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。这意味着抓取将不受限制
。这与 robots.txt 文件中的组顺序无关 。 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 ：
| ||||||||||||||