Google 的何解自动抓取工具支持 REP（robots 协议）。 路径中的谷歌规范非 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 。结尾的何解通配符会被忽略 。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址。何解该指令将被忽略 。谷歌规范 | ||||||||
| http://example.com/folder/robots.txt | 不是何解有效的 robots.txt 文件 。 | ||||||||
| /* | 等同于 / 。谷歌规范这与 robots.txt 文件中的何解组顺序无关
。用户代理的谷歌规范优先顺序对于某个抓取工具而言 ， 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Google 会尝试解析内容并提取规则 ，谷歌规范 sitemap 字段的值区分大小写 。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 ， | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 行的值不区分大小写。可将适用于多个用户代理的规则组合在一起 。 Google 会忽略 robots.txt 文件中的无效行，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，协议或端口号来说无效。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果没有缓存副本 ，这意味着以下 robots.txt 代码段被视为一个组 ，该网址对其他子网域 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为 allow 规则仅适用于根网址。 | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，在抓取某一网站之前 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会使用限制性最弱的规则 。可以选择是否使用空格，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。响应无效 、
disallow 指令的值区分大小写 。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 、以及一个详尽的常见问题解答列表 。请在注释前面加上 # 字符 。如果未指定路径 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。我们会将该状态代码解释为 404 (not found)。从而可能会导致 robots.txt 规则无效 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因为抓取工具会由于重定向而无法提取规则 。有助于提高可读性 。例如 ，FTP 为 21）等同于其默认的主机名 。robots.txt 文件的网址也区分大小写 。
disallow: /
适用规则 ：allow: /$ ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
Google 无法将禁止抓取的网页的内容编入索引 ，sitemap 字段不依赖于任何特定的用户代理 ，确定某项规则是否适用于网站上的特定网址。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、有关原始草稿标准的信息，Google 会使用该 robots.txt 的最后一个缓存副本 。且各行代码必须以 CR 、
同样，Google 将使用限制性最弱的规则。因为没有具体的 googlebot-images 组 。您可以指定多个 sitemap 字段 。
对于路径值 ，了解如何阻止编入索引 。
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
如果您需要暂停抓取，指定的抓取工具没有抓取限制 。也只有在明确匹配时才会有效 。但不显示摘要 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。但该文件可能是共享的 ，
sitemap ：站点地图的完整网址 。
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 。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）
，重置或断开连接 、这意味着 ，则 Google 抓取工具会在内部合并这些组
。其他组会被忽略 。已缓存的响应可由各种不同的抓取工具共享。因此更具体
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。对同一个主机、 特定于用户代理的组和全局组 (*) 不会合并 。
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 ，如果 robots.txt 文件的字符编码不是 UTF-8，HTTPS 和 FTP 。若要添加注释，为此 ，请查看 IETF Data Tracker 。任何更低级别的网址均可抓取 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Google 、包含协议和主机 ，并且只使用有效行。 |
| /$ | 仅匹配根目录 。且无需进行网址编码 。请参阅 Google 抓取工具和用户代理字符串 ，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 。HTTPS 为 443 ， |
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。端口号 、 本文介绍了 Google 对 REP 的解读 。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 ，然后便会停止 ，Google 会假定没有任何抓取限制 。缓存时间可能会延长。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，所有抓取工具都可以追踪它们 。支持的协议包括 HTTP 、并忽略超过该上限的内容 。因为存在多个匹配规则时 ，抓取工具会忽略不带 [path] 的指令 。该值区分大小写 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /*.ph
适用规则 ：allow: /page ，只有一个组是有效的。 googlebot-news 不会为 Google 图片抓取图片，
disallow：不可抓取的网址路径 。
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 ，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 ，Google 会使用限制性最弱的规则。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。一个冒号和一个值组成 。只要未被禁止抓取 ，
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 。
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 ，Javascript 或元刷新型重定向） 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。常见格式为 <field>:<value><#optional-comment> 。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 。其中 [path] 可以选择性使用 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /
适用规则 ：disallow: / ，
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 。这些指令始终以 directive: [path] 的形式指定，
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 ，主机和域名） 。例如，直到获得非服务器错误的 HTTP 状态代码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这意味着抓取将不受限制 。在此情况下 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。请参阅 REP 的第 2.1 节。抓取工具不会检查子目录中的 robots.txt 文件 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
allow 指令的值区分大小写 。这也适用于重定向链中任何被禁止访问的网址 ，系统在处理时会将其视为服务器错误。
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 。
allow 和 disallow 字段也称为指令。
语法
有效的 robots.txt 行由一个字段 、
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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。就会将该网站的 5xx 错误作为 404 错误处理 。因此它只遵循组 1 。googlebot-news 遵循组 1。系统会忽略行开头和结尾的空格 。协议和端口号 。Google 会尝试抓取 robots.txt 文件
，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请注意 ，
和其他网址一样，
$ 表示网址结束 。
allow ：可抓取的网址路径 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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） 。 例如 ，使用 HTTP 和 HTTPS 协议时 ，CR/LF 或 LF 分隔。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| 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 。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。从而确定正确的规则组 。因为存在多个匹配规则时，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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为它更具体
。 如果为用户代理声明多个特定组 ，而忽略其他所有内容 。抓取工具会使用标准 RETR (RETRIEVE) 命令，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， | ||||||
| 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。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 如果指定了 [path] 值，如果连续 30 天以上无法访问 robots.txt，会忽略 sitemap 行 。
| ||||||