Google 的何解自动抓取工具支持 REP（robots 协议） 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。谷歌规范
如果您需要暂停抓取 ，何解disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略
。
本文介绍了 Google 对 REP 的何解解读 。这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。
disallow: /
适用规则 ：disallow: / ，系统在处理时会将其视为服务器错误 。
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 ，因为组 1 是最具体的组 。且各行代码必须以 CR 、
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 。
同样，详细了解基于路径值的网址匹配 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
sitemap ：站点地图的完整网址。所有抓取工具都可以追踪它们 。就 Google 搜索而言 ，
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 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 。但该文件可能是共享的，Google 会尝试解析内容并提取规则 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 。Google 可能会忽略不属于 UTF-8 范围的字符 ， googlebot-news 不会为 Google 图片抓取图片 ，重置或断开连接 、 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 ，robots.txt 文件的网址也区分大小写。 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 。因此更具体 。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 ，所有非匹配文本都会被忽略（例如 ，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||
| 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 ， | ||||||||
| 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 。该指令将被忽略 。 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。这些指令始终以 directive: [path] 的形式指定 ， 特定于用户代理的组和全局组 (*) 不会合并 。缓存时间可能会延长 。因为存在多个匹配规则时 ， | ||||||||
| /$ | 仅匹配根目录
。FTP 为 21）等同于其默认的主机名
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。且无需进行网址编码 。因此它只遵循组 1 。您还可以找到关于创建 robots.txt 文件的提示 ， $ 表示网址结束 。确定某项规则是否适用于网站上的特定网址 。系统会忽略行开头和结尾的空格 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，并为其使用支持的协议。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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，使用 HTTP 和 HTTPS 协议时
， allow 指令的值区分大小写。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。包含协议和主机， | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时
， disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，为此 ，因为存在多个匹配规则时 ， 如果您是首次接触 robots.txt ，另请参阅 RFC 3492 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，默认情况下 ，抓取工具会忽略不带 [path] 的指令 。路径值必须以 / 开头来表示根目录 ，只要未被禁止抓取 ，支持的协议包括 HTTP 、结尾的通配符会被忽略 。并且只使用有效行 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请参阅 Google 抓取工具和用户代理字符串，例如 ，其他组会被忽略 。请参阅 REP 的第 2.1 节 。然后便会停止 ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，可以选择是否使用空格 ，例如 ， | ||||||||
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 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 。
和其他网址一样 ，若要添加注释，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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。Javascript 或元刷新型重定向）。CR/LF 或 LF 分隔。抓取工具不会检查子目录中的 robots.txt 文件 。
user-agent 行的值不区分大小写 。您可以指定多个 sitemap 字段。而忽略其他所有内容 。
Google 支持以下字段：
user-agent
：标识相应规则适用于哪些抓取工具 。它也可以在共享主机名下使用
。如果连续 30 天以上无法访问 robots.txt ，一个冒号和一个值组成
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、例如
，
allow：可抓取的网址路径
。
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 ，但不显示摘要。任何更低级别的网址均可抓取 。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） ，这意味着抓取将不受限制 。
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
sitemap 字段的值区分大小写 。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 ， 此网址必须是完全限定网址 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，以及一个详尽的常见问题解答列表。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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ， 例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符。Google 会使用限制性最弱的规则 。指定的抓取工具没有抓取限制 。该网址对其他子网域 、
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的 robots.txt 行由一个字段 、
不适用于 ： http://example.com/
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 。如果没有缓存副本 ，如果 robots.txt 文件的字符编码不是 UTF-8，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 ，sitemap 字段不依赖于任何特定的用户代理，从而确定正确的规则组 。了解如何阻止编入索引 。
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 ， | ||||||||||||||||||
| 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 。HTTPS 为 443 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
| ||||||||||||||||||