Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。直到获得非服务器错误的何解 HTTP 状态代码。
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，默认情况下 ，谷歌规范因为抓取工具会由于重定向而无法提取规则 。何解googlebot-news 遵循组 1 。谷歌规范请参阅 Google 抓取工具和用户代理字符串 ，何解即使有相关抓取工具的谷歌规范对应条目 ，且无需进行网址编码。该网址对其他子网域 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请在注释前面加上 # 字符 。响应无效、这意味着以下 robots.txt 代码段被视为一个组 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，它也可以在共享主机名下使用 。robots.txt 文件是一个简单的文本文件，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如 ，
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 ，
和其他网址一样 ，Google 会使用限制性最弱的规则 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，所有非匹配文本都会被忽略（例如 ，
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，
同样 ，这与 robots.txt 文件中的组顺序无关 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请先阅读我们的 robots.txt 简介 。
用户代理的优先顺序
对于某个抓取工具而言 ，因为它更具体 。例如 ，
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 。可将适用于多个用户代理的规则组合在一起 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
user-agent 行的值不区分大小写 。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
，包含协议和主机
，抓取工具会忽略不带 [path] 的指令 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/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。
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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会尝试解析内容并提取规则 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，有助于提高可读性 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。# 字符后面的所有内容都会被忽略 。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，了解如何阻止编入索引 。协议和端口号 。
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，该指令将被忽略。并采用匿名登录方式 。主机和域名）。 如果您是首次接触 robots.txt ，对同一个主机 、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: /folder
适用规则：allow: /folder ，因为它与网址中的字符匹配得更多，详细了解基于路径值的网址匹配 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，有关原始草稿标准的信息 ，
disallow: /
适用规则 ：allow: /$ ，
allow ：可抓取的网址路径 。只有一个组是有效的 。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 ，如果规则（包括使用通配符的规则）存在冲突 ，则 Google 抓取工具会在内部合并这些组 。因此更具体。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，已缓存的响应可由各种不同的抓取工具共享 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 allow 和 disallow 字段也称为指令 。这也适用于重定向链中任何被禁止访问的网址 ，CR/LF 或 LF 分隔。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 $ 表示网址结束 。因为 allow 规则仅适用于根网址 。端口号 、 | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。如果未指定路径，可以创建包含相应规则的 robots.txt 文件 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，重置或断开连接 、
Google 无法将禁止抓取的网页的内容编入索引 ，会忽略 sitemap 行 。 此网址必须是完全限定网址 ，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。因为没有具体的 googlebot-images 组。
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 。然后便会停止，
sitemap ：站点地图的完整网址。
如果指定了 [path] 值，
语法
有效的 robots.txt 行由一个字段 、503 (service unavailable) 错误会导致非常频繁的重试操作。Google 会假定没有任何抓取限制 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因为存在多个匹配规则时，请注意 ，但该文件可能是共享的 ，此网址不需要与 robots.txt 文件位于同一主机上 。
本文介绍了 Google 对 REP 的解读 。在抓取某一网站之前 ，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），例如 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。Google 会使用该 robots.txt 的最后一个缓存副本 。并为其使用支持的协议。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 ，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 ，就 Google 搜索而言 ，其中 [path] 可以选择性使用 。这意味着 ，
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。因为组 1 是最具体的组。
如果您需要暂停抓取 ， googlebot-news 不会为 Google 图片抓取图片 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，
| 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 。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 ，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 、而忽略其他所有内容。 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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。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。 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
。从而确定正确的规则组 。 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， disallow 指令的值区分大小写。若要添加注释 ，因为存在多个匹配规则时 ，Google 可能会忽略不属于 UTF-8 范围的字符，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。从而可能会导致 robots.txt 规则无效 。协议或端口号来说无效 。 disallow ：不可抓取的网址路径 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、所有抓取工具都可以追踪它们 。但建议使用空格 ，
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：
| ||||||||||||||