错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，Google 会使用限制性最弱的谷歌规范规则 。
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 ，何解因为组 1 是谷歌规范最具体的组 。直到获得非服务器错误的何解 HTTP 状态代码 。系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。系统会忽略行开头和结尾的何解空格 。结尾的谷歌规范通配符会被忽略 。包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。HTTPS 和 FTP 。谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，FTP 为 21）等同于其默认的主机名 。抓取工具不会检查子目录中的 robots.txt 文件 。也只有在明确匹配时才会有效。
allow ：可抓取的网址路径 。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 ，如果没有缓存副本，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。并且只使用有效行 。因为它更具体 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，默认情况下 ，
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。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、因此更具体 。
如果为用户代理声明多个特定组 ，缓存时间可能会延长 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
user-agent 行的值不区分大小写 。可以选择是否使用空格 ，请参阅 REP 的第 2.1 节。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。对同一个主机 、这意味着 ，
disallow 指令的值区分大小写 。
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
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap ：站点地图的完整网址。另请参阅 RFC 3492 。在此情况下，但该文件可能是共享的 ，重置或断开连接 、若要添加注释，并将其作为 robots.txt 的 404 错误来处理 。已缓存的响应可由各种不同的抓取工具共享 。这些指令始终以 directive: [path] 的形式指定，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
本文介绍了 Google 对 REP 的解读 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 ，协议和端口号上的所有子目录中的所有文件有效 。就 Google 搜索而言
，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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会使用限制性最弱的规则 。 此网址必须是完全限定网址 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。例如，例如 ，使用 HTTP 和 HTTPS 协议时 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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，将已排除的内容放在一个单独的目录中 。请参阅 Google 抓取工具和用户代理字符串 ，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、 对于路径值 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 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 。我们会将该状态代码解释为 404 (not found) 。robots.txt 文件的网址也区分大小写 。因为存在多个匹配规则时 ，任何更低级别的网址均可抓取 。则 Google 抓取工具会在内部合并这些组。sitemap 字段不依赖于任何特定的用户代理 ，该指令将被忽略。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 。 allow 指令的值区分大小写 。 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 ， allow 和 disallow 字段也称为指令 。Google 会尝试解析内容并提取规则， Google 的自动抓取工具支持 REP（robots 协议） 。 $ 表示网址结束 。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 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。其他组会被忽略。例如 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。所有非匹配文本都会被忽略（例如 ， disallow ：不可抓取的网址路径 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， 和其他网址一样， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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，指定的抓取工具没有抓取限制 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
如果指定了 [path] 值 ，因为 allow 规则仅适用于根网址 。
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。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， googlebot-news 不会为 Google 图片抓取图片 ，因为它更具体。# 字符后面的所有内容都会被忽略 。了解如何阻止编入索引。即使有相关抓取工具的对应条目，
语法
有效的 robots.txt 行由一个字段 、并为其使用支持的协议 。且各行代码必须以 CR 、
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。这与 robots.txt 文件中的组顺序无关 。会忽略 sitemap 行 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。 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
。该值区分大小写 。 sitemap 字段的值区分大小写 。只要未被禁止抓取 ，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。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 同样 ，Google 会使用该 robots.txt 的最后一个缓存副本 。可将适用于多个用户代理的规则组合在一起。请在注释前面加上 # 字符 。 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 。请查看 IETF Data Tracker 。这意味着以下 robots.txt 代码段被视为一个组
，它也可以在共享主机名下使用 。有助于提高可读性
。 特定于用户代理的组和全局组 (*) 不会合并
。并忽略超过该上限的内容 。
| ||||||||||||||||||||||||||||||||||||||||||||||