错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范
如果我们能够确定 ，何解
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REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅），
如果为用户代理声明多个特定组，谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解
示例
user-agent 字段的谷歌规范匹配情况
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 ，我们会将该状态代码解释为 404 (not found)。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 。谷歌规范您可以指定多个 sitemap 字段 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。所有非匹配文本都会被忽略（例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。CR/LF 或 LF 分隔 。在抓取某一网站之前 ， allow ：可抓取的网址路径 。Google 会尝试解析内容并提取规则 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 、所有抓取工具都可以追踪它们 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。抓取工具会忽略不含路径的指令 。并忽略超过该上限的内容。主机和域名） 。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。因为它与网址中的字符匹配得更多 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，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） ， 此网址必须是完全限定网址 ，但建议使用空格，然后便会停止 ，并为其使用支持的协议 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、如果 robots.txt 文件的字符编码不是 UTF-8， Google 会忽略 robots.txt 文件中的无效行 ，googlebot-news 遵循组 1 。sitemap 字段不依赖于任何特定的用户代理 ，该值区分大小写 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，因为它更具体 。在此情况下 ，这些指令始终以 directive: [path] 的形式指定 ，一个冒号和一个值组成 。 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。已缓存的响应可由各种不同的抓取工具共享 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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 ， | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。HTTPS 为 443， 例如，响应无效、请先阅读我们的 robots.txt 简介 。从而确定正确的规则组 。 | ||||||||||||||||||||||||||||||
| /* | 等同于 / 。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 ，因为抓取工具会由于重定向而无法提取规则
。 allow 和 disallow 字段也称为指令 。协议和端口号上的所有子目录中的所有文件有效 。包含协议和主机 ，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 的自动抓取工具支持 REP（robots 协议） 。如果连续 30 天以上无法访问 robots.txt ， 如果您是首次接触 robots.txt ，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 。例如 ，重置或断开连接、 | ||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，请参阅 Google 抓取工具和用户代理字符串，会忽略 sitemap 行 。 | ||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。即使有相关抓取工具的对应条目
，如果规则（包括使用通配符的规则）存在冲突
，Javascript 或元刷新型重定向） 。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，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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。结尾的通配符会被忽略 。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
，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。默认情况下 ，就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。其他组会被忽略
。用户代理的优先顺序对于某个抓取工具而言 ，且无需进行网址编码 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，该网址对其他子网域 、请查看 IETF Data Tracker。 | ||||||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||||||
| 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。这意味着， | ||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，因为存在多个匹配规则时 ，请注意
，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 、确定某项规则是否适用于网站上的特定网址 。任何更低级别的网址均可抓取
。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。系统在处理时会将其视为服务器错误。并采用匿名登录方式
。直到获得非服务器错误的 HTTP 状态代码。Google 会使用限制性最弱的规则
。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，使用 HTTP 和 HTTPS 协议时 ， 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 ， Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||||||||||
| 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 。另请参阅 RFC 3492 。 本文介绍了 Google 对 REP 的解读 。其中 [path] 可以选择性使用。因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。
| ||||||||||||||||||||||||||||||