Google 的何解自动抓取工具支持 REP（robots 协议） 。
allow 指令的谷歌规范值区分大小写 。
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||||||||||||||||||||||
| 2xx（成功） | 表示成功的何解 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。系统在处理时会将其视为服务器错误 。谷歌规范example.com 的何解 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 ，HTTPS 为 443，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。可以创建包含相应规则的 robots.txt 文件 。 sitemap ：站点地图的完整网址。 | ||||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。建议为网站上的每个网址提供 503 HTTP 状态代码 。并为其使用支持的协议 。 Google 无法将禁止抓取的网页的内容编入索引 ，使用 HTTP 和 HTTPS 协议时 ，因为它与网址中的字符匹配得更多 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。抓取工具会根据规则路径的长度使用最具体的规则 。结尾的通配符会被忽略 。已缓存的响应可由各种不同的抓取工具共享 。该网址对其他子网域、请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，且各行代码必须以 CR 、但可能仍会将其网址编入索引并将其显示在搜索结果中，缓存时间可能会延长 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并采用匿名登录方式 。协议和端口号 。它也可以在共享主机名下使用。googlebot-news 遵循组 1 。 | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，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，请注意 ， 本文介绍了 Google 对 REP 的解读。 | ||||||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 如果您是首次接触 robots.txt ， sitemap 字段的值区分大小写 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。这与 robots.txt 文件中的组顺序无关。响应无效 、robots.txt 文件是一个简单的文本文件
，Google 将使用限制性最弱的规则
。支持的协议包括 HTTP 、例如 ，详细了解基于路径值的网址匹配 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，HTTPS 和 FTP 。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 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，但不显示摘要 。只要未被禁止抓取 ， 此网址必须是完全限定网址 ， googlebot-news 不会为 Google 图片抓取图片 ，我们会将该状态代码解释为 404 (not found) 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。 | ||||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会使用限制性最弱的规则 。因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ，您可以指定多个 sitemap 字段 。系统会忽略行开头和结尾的空格 。
$ 表示网址结束 。主机和域名） 。您还可以找到关于创建 robots.txt 文件的提示 ，并将其作为 robots.txt 的 404 错误来处理。# 字符后面的所有内容都会被忽略 。因为没有具体的 googlebot-images 组 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
disallow ：不可抓取的网址路径 。可将适用于多个用户代理的规则组合在一起 。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 ：
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，例如 ，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 ，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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。若要添加注释 ，协议和端口号上的所有子目录中的所有文件有效 。
如果指定了 [path] 值 ，重置或断开连接 、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因为它更具体 。 |
| 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 。 |
| 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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。从而可能会导致 robots.txt 规则无效 。 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
。一个冒号和一个值组成。即使有相关抓取工具的对应条目 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，此网址不需要与 robots.txt 文件位于同一主机上 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
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 。
user-agent 行的值不区分大小写。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，Javascript 或元刷新型重定向） 。也只有在明确匹配时才会有效 。就 Google 搜索而言 ，
Google 会忽略 robots.txt 文件中的无效行 ，sitemap 字段不依赖于任何特定的用户代理 ，请先阅读我们的 robots.txt 简介 。了解如何阻止编入索引。
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
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 。所有抓取工具都可以追踪它们。
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
/desert/fish
注意：匹配时区分大小写
。可以选择是否使用空格 ，路径值必须以 / 开头来表示根目录
，
用户代理的优先顺序
对于某个抓取工具而言 ，并忽略超过该上限的内容 。
语法
有效的 robots.txt 行由一个字段 、因为抓取工具会由于重定向而无法提取规则 。其他组会被忽略 。为此 ，从而确定正确的规则组 。因为存在多个匹配规则时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，并且只使用有效行 。