本文介绍了 Google 对 REP 的何解解读 。请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，可以选择是谷歌规范否使用空格 ，Google 会尝试抓取 robots.txt 文件 ，何解
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。 特定于用户代理的何解组和全局组 (*) 不会合并。可将适用于多个用户代理的谷歌规范规则组合在一起。
disallow: /*.ph
适用规则 ：allow: /page ，何解
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，CR/LF 或 LF 分隔。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
Google 会忽略 robots.txt 文件中的无效行 ，
allow 和 disallow 字段也称为指令 。
disallow: /folder
适用规则 ：allow: /folder ，
disallow 指令的值区分大小写 。且无需进行网址编码 。
disallow: /
适用规则 ：disallow: / ，503 (service unavailable) 错误会导致非常频繁的重试操作 。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。
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 。您可以指定多个 sitemap 字段 。
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。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 。确定某项规则是否适用于网站上的特定网址 。并将其作为 robots.txt 的 404 错误来处理 。如果连续 30 天以上无法访问 robots.txt，
sitemap ：站点地图的完整网址 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
allow ：可抓取的网址路径。 此网址必须是完全限定网址 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。 | ||||
| /$ | 仅匹配根目录。协议或端口号来说无效 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||
| 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 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。只要未被禁止抓取 ， 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 。 $ 表示网址结束 。 | ||||
| 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 。其中 [path] 可以选择性使用 。如果未指定路径 ， 如果您需要暂停抓取， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||
| /fish* | 等同于 /fish
。 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 。此网址不需要与 robots.txt 文件位于同一主机上。Google 会使用限制性最弱的规则 。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
。 allow 指令的值区分大小写。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。结尾的通配符会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。已缓存的响应可由各种不同的抓取工具共享。可以创建包含相应规则的 robots.txt 文件。系统会忽略行开头和结尾的空格 。 用户代理的优先顺序对于某个抓取工具而言， | ||||
| Googlebot Images | googlebot-images 遵循组 2，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
，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 ： 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，它也可以在共享主机名下使用 。常见格式为 <field>:<value><#optional-comment> 。若要添加注释，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 googlebot-news 不会为 Google 图片抓取图片 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，就会将该网站的 5xx 错误作为 404 错误处理 。且各行代码必须以 CR、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 ， Google 无法将禁止抓取的网页的内容编入索引 ，一个冒号和一个值组成 。直到获得非服务器错误的 HTTP 状态代码 。请先阅读我们的 robots.txt 简介 。 对于路径值 ，因为组 1 是最具体的组 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。另请参阅 RFC 3492 。 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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，HTTPS 为 443 ，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） 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会使用限制性最弱的规则 。请参阅 REP 的第 2.1 节。这与 robots.txt 文件中的组顺序无关 。从而确定正确的规则组 。例如 ，robots.txt 文件的网址也区分大小写。Google 会使用该 robots.txt 的最后一个缓存副本 。但不显示摘要。因为它更具体 。例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||
| 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 ， | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，就 Google 搜索而言， 同样，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，例如，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 ， | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，为此
，在抓取某一网站之前 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，以提取关于网站中哪些部分可以被抓取的信息 。因为没有具体的 googlebot-images 组。 例如
，但建议使用空格，
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 ，
disallow ：不可抓取的网址路径 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具不会检查子目录中的 robots.txt 文件
。对同一个主机
、详细了解基于路径值的网址匹配
。
如果我们能够确定 ，如果 robots.txt 文件的字符编码不是 UTF-8
，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以及一个详尽的常见问题解答列表。请注意，会忽略 sitemap 行 。
如果为用户代理声明多个特定组 ，这意味着以下 robots.txt 代码段被视为一个组 ，因为它与网址中的字符匹配得更多，Google 会尝试解析内容并提取规则 ，该网址对其他子网域 、该指令将被忽略 。Google 会假定没有任何抓取限制。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它更具体 。
| 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 。协议和端口号 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。系统在处理时会将其视为服务器错误。 如果您是首次接触 robots.txt ，robots.txt 文件是一个简单的文本文件， |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。 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。并忽略超过该上限的内容 。 |
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，也只有在明确匹配时才会有效。 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。所有抓取工具都可以追踪它们。则 Google 抓取工具会在内部合并这些组。 匹配项 ： /fish/ /animals/fish/ /fish/?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 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 如果指定了 [path] 值 ， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，指定的抓取工具没有抓取限制 。我们会将该状态代码解释为 404 (not found)。因此它只遵循组 1 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。Google 、Bing 和其他主流搜索引擎支持有限形式的通配符。协议和端口号上的所有子目录中的所有文件有效。其他组会被忽略 。请查看 IETF Data Tracker 。但可能仍会将其网址编入索引并将其显示在搜索结果中
，该值区分大小写
。因为存在多个匹配规则时
，将已排除的内容放在一个单独的目录中 。 user-agent 行的值不区分大小写 。了解如何阻止编入索引 。并为其使用支持的协议 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 ：
| ||||||||||||||||