这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范
什么是何解 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 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
| 错误处理和 HTTP 状态代码 | |||||||||||||||
| 2xx（成功） | 表示成功的何解 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 。我们会将该状态代码解释为 404 (not found) 。谷歌规范则 Google 抓取工具会在内部合并这些组。何解因此更具体 。谷歌规范可将适用于多个用户代理的何解规则组合在一起 。 | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，何解并且只使用有效行 。谷歌规范 | ||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效。 | ||||||||||||||
| /fish* | 等同于 /fish 。谷歌规范Google 会尝试抓取 robots.txt 文件 ，何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。robots.txt 文件是一个简单的文本文件 ，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 、因此它只遵循组 1 。因为抓取工具会由于重定向而无法提取规则 。只有一个组是有效的 。 | ||||||||||||||
| 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 。 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 。这与 robots.txt 文件中的组顺序无关 。这意味着 ，确定某项规则是否适用于网站上的特定网址 。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），但该文件可能是共享的 ，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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，可以选择是否使用空格， 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 ，因为没有具体的 googlebot-images 组。 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 、 | ||||||||||||||
| 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 ， 如果您是首次接触 robots.txt，因为存在多个匹配规则时 ，googlebot-news 遵循组 1。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 。另请参阅 RFC 3492 。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。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， Google 会忽略 robots.txt 文件中的无效行 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 同样， 例如 ，系统在处理时会将其视为服务器错误 。 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。 allow 指令的值区分大小写 。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 ，有关原始草稿标准的信息 ，robots.txt 文件的网址也区分大小写。已缓存的响应可由各种不同的抓取工具共享 。使用 HTTP 和 HTTPS 协议时 ，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 ，响应无效 、并将其作为 robots.txt 的 404 错误来处理 。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，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 。 allow 和 disallow 字段也称为指令 。 disallow ：不可抓取的网址路径 。结尾的通配符会被忽略。并采用匿名登录方式 。以提取关于网站中哪些部分可以被抓取的信息 。 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 ， 此网址必须是完全限定网址 ，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。协议和端口号上的所有子目录中的所有文件有效 。 用户代理的优先顺序对于某个抓取工具而言 ，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，协议或端口号来说无效 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 本文介绍了 Google 对 REP 的解读 。Google 会使用该 robots.txt 的最后一个缓存副本。若要添加注释 ，会忽略 sitemap 行 。 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 | ||||||||||||||
| /$ | 仅匹配根目录。 | ||||||||||||||
| 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 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。以及一个详尽的常见问题解答列表 。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 ，在此情况下， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。但建议使用空格 ，这意味着以下 robots.txt 代码段被视为一个组，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Javascript 或元刷新型重定向） 。常见格式为 <field>:<value><#optional-comment>。从而可能会导致 robots.txt 规则无效
。 如果为用户代理声明多个特定组，也只有在明确匹配时才会有效 。这些指令始终以 directive: [path] 的形式指定 ，请参阅 REP 的第 2.1 节 。并为其使用支持的协议 。Google 可能会忽略不属于 UTF-8 范围的字符，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，从而确定正确的规则组 。Google 会假定没有任何抓取限制 。 语法有效的 robots.txt 行由一个字段 、因为 allow 规则仅适用于根网址 。例如
， | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。 如果指定了 [path] 值 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，所有非匹配文本都会被忽略（例如 ，请在注释前面加上 # 字符 。 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。为此，您可以指定多个 sitemap 字段。 user-agent 行的值不区分大小写 。就 Google 搜索而言 ， | ||||||||||||||
| 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 。了解如何阻止编入索引。这也适用于重定向链中任何被禁止访问的网址 ，路径值必须以 / 开头来表示根目录 ， 对于路径值 ， sitemap 字段的值区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则，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 ，即使有相关抓取工具的对应条目 ， | ||||||||||||||
| /* | 等同于 /。例如，将已排除的内容放在一个单独的目录中 。包含协议和主机 ，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）
。 $ 表示网址结束 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、缓存时间可能会延长。任何更低级别的网址均可抓取 。抓取工具不会检查子目录中的 robots.txt 文件 。请参阅 Google 抓取工具和用户代理字符串 ，该值区分大小写 。请查看 IETF Data Tracker 。例如 ，您还可以找到关于创建 robots.txt 文件的提示 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，且各行代码必须以 CR 、CR/LF 或 LF 分隔 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为它更具体 。结尾的通配符会被忽略 。只要未被禁止抓取 ， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，Google 会尝试解析内容并提取规则 ， 和其他网址一样， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， Google 无法将禁止抓取的网页的内容编入索引 ， 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 。 allow：可抓取的网址路径。详细了解基于路径值的网址匹配 。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||
| 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
，Google 将使用限制性最弱的规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、支持的协议包括 HTTP、HTTPS 为 443， | ||||||||||||||