Google 的何解自动抓取工具支持 REP（robots 协议） 。例如 ，谷歌规范一个冒号和一个值组成。何解Google 会尝试解析内容并提取规则 ，谷歌规范googlebot-news 遵循组 1 。何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，
| 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 。何解请参阅 Google 抓取工具和用户代理字符串，谷歌规范并且只使用有效行 。何解 Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、何解它也可以在共享主机名下使用。谷歌规范如果规则（包括使用通配符的规则）存在冲突 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 sitemap 字段的值区分大小写。Google 会使用该 robots.txt 的最后一个缓存副本 。确定某项规则是否适用于网站上的特定网址 。所有抓取工具都可以追踪它们。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。有关原始草稿标准的信息 ，因为没有具体的 googlebot-images 组。常见格式为 <field>:<value><#optional-comment>。例如 ，缓存时间可能会延长 。因为存在多个匹配规则时 ，任何更低级别的网址均可抓取 。 user-agent 行的值不区分大小写 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
如果我们能够确定 ，
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 ，结尾的通配符会被忽略 。robots.txt 文件是一个简单的文本文件 ，
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
对于路径值 ，
$ 表示网址结束 。请先阅读我们的 robots.txt 简介 。这意味着，在抓取某一网站之前 ，
| 错误处理和 HTTP 状态代码 | |||||||||||||||
| 2xx（成功） | 表示成功的 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这也适用于重定向链中任何被禁止访问的网址 ，例如，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 。因此它只遵循组 1 。协议或端口号来说无效 。 | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，其他组会被忽略 。 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。重置或断开连接、这意味着以下 robots.txt 代码段被视为一个组 ，该网址对其他子网域 、 | ||||||||||||||
| 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 。 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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ，若要添加注释 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。但建议使用空格 ，在此情况下 ，如果没有缓存副本 ，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） ，HTTPS 为 443 ， 特定于用户代理的组和全局组 (*) 不会合并 。系统在处理时会将其视为服务器错误 。路径值必须以 / 开头来表示根目录 ， | ||||||||||||||
| 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 ，抓取工具会忽略不含路径的指令 。因为 allow 规则仅适用于根网址。并忽略超过该上限的内容。指定的抓取工具没有抓取限制。系统会忽略行开头和结尾的空格 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，您可以指定多个 sitemap 字段 。但该文件可能是共享的 ，将已排除的内容放在一个单独的目录中。如果连续 30 天以上无法访问 robots.txt ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。请注意 ，则 Google 抓取工具会在内部合并这些组 。这与 robots.txt 文件中的组顺序无关 。sitemap 字段不依赖于任何特定的用户代理 ，包含协议和主机 ， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 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 。您还可以找到关于创建 robots.txt 文件的提示 ，FTP 为 21）等同于其默认的主机名 。并将其作为 robots.txt 的 404 错误来处理 。默认情况下 ， 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 。 allow 和 disallow 字段也称为指令 。因为它更具体 。因为抓取工具会由于重定向而无法提取规则。 如果指定了 [path] 值 ，我们会将该状态代码解释为 404 (not found) 。支持的协议包括 HTTP、 本文介绍了 Google 对 REP 的解读 。 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 。详细了解基于路径值的网址匹配 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、请查看 IETF Data Tracker 。 | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具
。该指令将被忽略 。 例如， # 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 ，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 ， | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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 ，协议和端口号 。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，从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，503 (service unavailable) 错误会导致非常频繁的重试操作。有助于提高可读性。该值区分大小写 。# 字符后面的所有内容都会被忽略 。因此更具体 。 同样 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， disallow 指令的值区分大小写 。Google 会使用限制性最弱的规则。建议为网站上的每个网址提供 503 HTTP 状态代码 。为此 ，直到获得非服务器错误的 HTTP 状态代码。Google 会使用限制性最弱的规则 。端口号 、 语法有效的 robots.txt 行由一个字段 、主机和域名） 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。但可能仍会将其网址编入索引并将其显示在搜索结果中
，另请参阅 RFC 3492。 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 ，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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。只要未被禁止抓取 ， allow 指令的值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则
。因为它更具体
。抓取工具不会检查子目录中的 robots.txt 文件
。响应无效 、协议和端口号上的所有子目录中的所有文件有效。且无需进行网址编码 。Google 可能会忽略不属于 UTF-8 范围的字符，且各行代码必须以 CR 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。只有一个组是有效的 。Google 将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"
， | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。因为存在多个匹配规则时 ， | ||||||||||||||
| 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 ，并为其使用支持的协议 。因为组 1 是最具体的组 。这些指令始终以 directive: [path] 的形式指定 ，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 ，而忽略其他所有内容。 | ||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
sitemap ：站点地图的完整网址 。Google 、Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 会假定没有任何抓取限制 。
disallow: /folder
适用规则 ：allow: /folder ，其中 [path] 可以选择性使用 。对同一个主机 、
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 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址。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） 。如果未指定路径 ， 如果您是首次接触 robots.txt ，就会将该网站的 5xx 错误作为 404 错误处理
。可以选择是否使用空格 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 用户代理的优先顺序对于某个抓取工具而言
，已缓存的响应可由各种不同的抓取工具共享
。 | ||||||