Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。
Google 无法将禁止抓取的何解网页的内容编入索引 ，直到获得非服务器错误的谷歌规范 HTTP 状态代码 。因为它更具体。何解
* 表示出现 0 次或多次的何解任何有效字符 。且各行代码必须以 CR 、谷歌规范例如，何解例如 ：
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，谷歌规范
本文介绍了 Google 对 REP 的解读 。
| 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 。因为它与网址中的字符匹配得更多 ，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。 |
| Googlebot（网络） | googlebot 遵循组 3 。但可能仍会将其网址编入索引并将其显示在搜索结果中
， allow 和 disallow 字段也称为指令 。请在注释前面加上 # 字符。并忽略超过该上限的内容 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，对同一个主机 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。结尾的通配符会被忽略 。任何更低级别的网址均可抓取 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，Google 、主机和域名） 。Google 会使用限制性最弱的规则 。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 指令的值区分大小写 。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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。了解如何阻止编入索引 。robots.txt 文件的网址也区分大小写 。有关原始草稿标准的信息，请先阅读我们的 robots.txt 简介 。支持的协议包括 HTTP、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），只要未被禁止抓取 ，并且只使用有效行 。 googlebot-news 不会为 Google 图片抓取图片 ，
disallow
：不可抓取的网址路径
。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 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
allow ：可抓取的网址路径 。将已排除的内容放在一个单独的目录中 。这也适用于重定向链中任何被禁止访问的网址 ，
user-agent 行的值不区分大小写 。 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 。
disallow: /
适用规则：disallow: / ，其中 [path] 可以选择性使用。因为没有具体的 googlebot-images 组。会忽略 sitemap 行 。以提取关于网站中哪些部分可以被抓取的信息 。可将适用于多个用户代理的规则组合在一起 。
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 。建议为网站上的每个网址提供 503 HTTP 状态代码。HTTPS 和 FTP 。结尾的通配符会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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） 。因为存在多个匹配规则时 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。请注意 ，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 ，
disallow: /
适用规则 ：allow: /$ ，
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 。在此情况下 ，但该文件可能是共享的 ，为此，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，从而可能会导致 robots.txt 规则无效。
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 ，这与 robots.txt 文件中的组顺序无关 。从而确定正确的规则组
。就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用该 robots.txt 的最后一个缓存副本 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。在抓取某一网站之前 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，
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 ，
sitemap ：站点地图的完整网址 。robots.txt 文件是一个简单的文本文件，
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。可以选择是否使用空格 ，缓存时间可能会延长。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。常见格式为 <field>:<value><#optional-comment> 。这些指令始终以 directive: [path] 的形式指定，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。 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
。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径
。 如果为用户代理声明多个特定组 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为存在多个匹配规则时 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， 对于路径值 ，另请参阅 RFC 3492。Google 将使用限制性最弱的规则。因为组 1 是最具体的组 。 和其他网址一样 ， 用户代理的优先顺序对于某个抓取工具而言 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 如果指定了 [path] 值 ，Javascript 或元刷新型重定向） 。 |
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 ，例如 ，路径值必须以 / 开头来表示根目录 ，它也可以在共享主机名下使用 。sitemap 字段不依赖于任何特定的用户代理 ，但不显示摘要。抓取工具会忽略不含路径的指令 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。协议和端口号。但建议使用空格，这意味着抓取将不受限制 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，HTTPS 为 443 ，FTP 为 21）等同于其默认的主机名 。CR/LF 或 LF 分隔 。
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 。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 ，请查看 IETF Data Tracker 。
如果您需要暂停抓取 ，此网址不需要与 robots.txt 文件位于同一主机上。端口号、抓取工具会根据规则路径的长度使用最具体的规则。
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因此更具体 。重置或断开连接 、Google 可能会忽略不属于 UTF-8 范围的字符 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
Google 会忽略 robots.txt 文件中的无效行 ，如果连续 30 天以上无法访问 robots.txt ，这意味着 ，因为 allow 规则仅适用于根网址。并将其作为 robots.txt 的 404 错误来处理 。如果没有缓存副本 ，默认情况下 ，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
，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
。
如果我们能够确定 ，503 (service unavailable) 错误会导致非常频繁的重试操作
。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，例如， | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder， 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 。只有一个组是有效的 。响应无效、 | ||||||||
| 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。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 ， disallow 指令的值区分大小写 。确定某项规则是否适用于网站上的特定网址 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。这意味着以下 robots.txt 代码段被视为一个组 ，系统会忽略行开头和结尾的空格。 同样 ，例如 ，
| ||||||||