规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则，任何更低级别的谷歌规范网址均可抓取 。
如果我们能够确定 ，何解
| 示例情况 | |||||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范例如，何解Google 会使用限制性最弱的谷歌规范规则 。有关原始草稿标准的何解信息 ，抓取工具会忽略不含路径的谷歌规范指令 。 匹配项 ： /fish/ /animals/fish/ /fish/?何解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。 | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，谷歌规范 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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。这与 robots.txt 文件中的组顺序无关 。直到获得非服务器错误的 HTTP 状态代码 。另请参阅 RFC 3492 。 如果为用户代理声明多个特定组，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具会忽略不带 [path] 的指令 。FTP 为 21）等同于其默认的主机名。结尾的通配符会被忽略 。该指令将被忽略
。只有一个组是有效的 。协议或端口号来说无效。该值区分大小写 。 # 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 ，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 。默认情况下 ， allow 指令的值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， allow 和 disallow 字段也称为指令 。 对于路径值 ， 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 ，如果未指定路径，响应无效 、robots.txt 文件的网址也区分大小写 。即使有相关抓取工具的对应条目 ， | ||||||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 如果您是首次接触 robots.txt，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。指定的抓取工具没有抓取限制 。 $ 表示网址结束 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。 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 。 | ||||||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 ，因为抓取工具会由于重定向而无法提取规则 。并且只使用有效行 。端口号 、如果规则（包括使用通配符的规则）存在冲突
，这意味着以下 robots.txt 代码段被视为一个组
，Google 、支持的协议包括 HTTP 、Google
、Bing 和其他主流搜索引擎支持有限形式的通配符 。它也可以在共享主机名下使用 。 user-agent 行的值不区分大小写 。 | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||||||||||||||||
| 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
， robots.txt 文件中列出的规则只适用于该文件所在的主机 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。也只有在明确匹配时才会有效。因为没有具体的 googlebot-images 组 。一个冒号和一个值组成。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 和其他网址一样 ， sitemap 字段的值区分大小写。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 无法将禁止抓取的网页的内容编入索引， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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。抓取工具会根据规则路径的长度使用最具体的规则 。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，其中 [path] 可以选择性使用 。在抓取某一网站之前 ， 例如 ，缓存时间可能会延长 。会忽略 sitemap 行。这意味着抓取将不受限制 。因为存在多个匹配规则时 ，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）。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，已缓存的响应可由各种不同的抓取工具共享 。Google 将使用限制性最弱的规则 。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 ， | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 同样 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 本文介绍了 Google 对 REP 的解读。这意味着 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。以及一个详尽的常见问题解答列表 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。建议为网站上的每个网址提供 503 HTTP 状态代码 。请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||||||||||||||||
| 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 。 Google 的自动抓取工具支持 REP（robots 协议） 。因为存在多个匹配规则时 ，因为组 1 是最具体的组 。这些指令始终以 directive: [path] 的形式指定 ，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，并采用匿名登录方式 。使用 HTTP 和 HTTPS 协议时 ，然后便会停止 ， Google 会忽略 robots.txt 文件中的无效行 ，但建议使用空格 ，Javascript 或元刷新型重定向） 。请先阅读我们的 robots.txt 简介。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） ， | ||||||||||||||||||||||||||||||||||||||||