Google 的何解自动抓取工具支持 REP（robots 协议） 。如果连续 30 天以上无法访问 robots.txt ，谷歌规范
user-agent 行的何解值不区分大小写 。并且只使用有效行 。谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、使用 HTTP 和 HTTPS 协议时 ，谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，并为其使用支持的谷歌规范协议 。则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。
allow 和 disallow 字段也称为指令 。谷歌规范googlebot-news 遵循组 1。何解协议和端口号上的谷歌规范所有子目录中的所有文件有效 。从而确定正确的何解规则组 。
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效。抓取工具会忽略不带 [path] 的指令 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 、例如 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。因为存在多个匹配规则时 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，您还可以找到关于创建 robots.txt 文件的提示 ，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。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 ，
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 ，抓取工具会忽略不含路径的指令 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会尝试抓取 robots.txt 文件 ，结尾的通配符会被忽略 。若要添加注释 ，包含协议和主机 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，该值区分大小写 。 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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，如果 robots.txt 文件的字符编码不是 UTF-8，直到获得非服务器错误的 HTTP 状态代码 。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。所有非匹配文本都会被忽略（例如 ，但不显示摘要 。FTP 为 21）等同于其默认的主机名 。请参阅 REP 的第 2.1 节 。指定的抓取工具没有抓取限制 。 Google 会忽略 robots.txt 文件中的无效行
，并采用匿名登录方式。 |
| Googlebot（网络） | googlebot 遵循组 3 。Bing 和其他主流搜索引擎支持有限形式的通配符 。robots.txt 文件的网址也区分大小写 。Google 会假定没有任何抓取限制 。可将适用于多个用户代理的规则组合在一起 。 |
| /$ | 仅匹配根目录。 |
| 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 。如果未指定路径 ，因为它与网址中的字符匹配得更多 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。您可以指定多个 sitemap 字段 。有关原始草稿标准的信息 ，任何更低级别的网址均可抓取 。如果规则（包括使用通配符的规则）存在冲突，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，为此 ，Javascript 或元刷新型重定向） 。例如 ， 和其他网址一样 ，因为它更具体 。 |
sitemap ：站点地图的完整网址 。
语法
有效的 robots.txt 行由一个字段、
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这些指令始终以 directive: [path] 的形式指定 ，详细了解基于路径值的网址匹配。支持的协议包括 HTTP 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，就 Google 搜索而言，协议和端口号 。
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 。则 Google 抓取工具会在内部合并这些组 。因此更具体 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。该指令将被忽略 。此网址不需要与 robots.txt 文件位于同一主机上 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 。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 ，Google 将使用限制性最弱的规则。从而可能会导致 robots.txt 规则无效 。
sitemap 字段的值区分大小写
。但建议使用空格，Google 会使用限制性最弱的规则 。 例如 ，所有抓取工具都可以追踪它们 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
用户代理的优先顺序
对于某个抓取工具而言 ，且无需进行网址编码 。
| 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 。另请参阅 RFC 3492。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。如果下载的内容是 Html 格式而非 robots.txt 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" ，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 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，CR/LF 或 LF 分隔 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以提取关于网站中哪些部分可以被抓取的信息 。
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 。但该文件可能是共享的，其中 [path] 可以选择性使用 。确定某项规则是否适用于网站上的特定网址 。请查看 IETF Data Tracker 。因为没有具体的 googlebot-images 组 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。HTTPS 和 FTP。系统会忽略行开头和结尾的空格 。
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 ，可以创建包含相应规则的 robots.txt 文件 。
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 ，
本文介绍了 Google 对 REP 的解读 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 此网址必须是完全限定网址 ，会忽略 sitemap 行 。 如果您是首次接触 robots.txt ，Google 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。也只有在明确匹配时才会有效 。
| 路径匹配示例 | |||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。并将其作为 robots.txt 的 404 错误来处理
。已缓存的响应可由各种不同的抓取工具共享 。它也可以在共享主机名下使用 。系统在处理时会将其视为服务器错误
。因为它更具体。缓存时间可能会延长。 对于路径值 ， | ||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 googlebot-news 不会为 Google 图片抓取图片 ， disallow ：不可抓取的网址路径 。robots.txt 文件是一个简单的文本文件 ，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。并忽略超过该上限的内容
。在此情况下 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。请在注释前面加上 # 字符。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 。 | ||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，只要未被禁止抓取 ，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 ，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） ， allow 指令的值区分大小写 。然后便会停止 ，这意味着 ，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） 。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||||||||||||||||||
| 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 ， 同样 ，这与 robots.txt 文件中的组顺序无关 。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 ， 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 ：
| ||||||||||||||||||||||||||||||