Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。因为存在多个匹配规则时 ，何解该网址对其他子网域 、谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机 、可以选择是谷歌规范否使用空格 ，协议或端口号来说无效 。何解
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范将已排除的何解内容放在一个单独的目录中 。请注意 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片，何解
Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解并采用匿名登录方式。谷歌规范可以创建包含相应规则的 robots.txt 文件。抓取工具会忽略不含路径的指令。
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 。
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
user-agent 行的值不区分大小写 。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 ，
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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。且各行代码必须以 CR 、因此更具体 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，确定某项规则是否适用于网站上的特定网址 。我们会将该状态代码解释为 404 (not found) 。因为它更具体。这也适用于重定向链中任何被禁止访问的网址 ，而忽略其他所有内容 。
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 。
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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。缓存时间可能会延长 。
disallow: /folder
适用规则 ：allow: /folder，其中 [path] 可以选择性使用。
Google 会忽略 robots.txt 文件中的无效行 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。系统在处理时会将其视为服务器错误。若要添加注释，
如果指定了 [path] 值 ，一个冒号和一个值组成 。但不显示摘要。
如果您需要暂停抓取 ，但该文件可能是共享的 ，
用户代理的优先顺序
对于某个抓取工具而言 ，则 Google 抓取工具会在内部合并这些组 。常见格式为 <field>:<value><#optional-comment>。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 、可将适用于多个用户代理的规则组合在一起 。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，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。HTTPS 和 FTP 。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 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。 例如，这与 robots.txt 文件中的组顺序无关 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果规则（包括使用通配符的规则）存在冲突 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 特定于用户代理的组和全局组 (*) 不会合并 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，并将其作为 robots.txt 的 404 错误来处理 。请参阅 REP 的第 2.1 节 。主机和域名） 。并忽略超过该上限的内容。并且只使用有效行 。因为 allow 规则仅适用于根网址 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 ，会忽略 sitemap 行。Google 会假定没有任何抓取限制。只要未被禁止抓取 ，
disallow ：不可抓取的网址路径 。以及一个详尽的常见问题解答列表 。
本文介绍了 Google 对 REP 的解读 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，# 字符后面的所有内容都会被忽略 。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 ，请参阅 Google 抓取工具和用户代理字符串，
allow 和 disallow 字段也称为指令 。路径值必须以 / 开头来表示根目录 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
如果为用户代理声明多个特定组，googlebot-news 遵循组 1 。
sitemap 字段的值区分大小写 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
disallow 指令的值区分大小写。然后便会停止
，因此它只遵循组 1 。CR/LF 或 LF 分隔 。robots.txt 文件是一个简单的文本文件 ，所有抓取工具都可以追踪它们
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、为此 ，这些指令始终以 directive: [path] 的形式指定 ，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：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具不会检查子目录中的 robots.txt 文件。所有非匹配文本都会被忽略（例如，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 ，FTP 为 21）等同于其默认的主机名 。响应无效 、503 (service unavailable) 错误会导致非常频繁的重试操作。因为它与网址中的字符匹配得更多 ，
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 ，该值区分大小写 。
sitemap：站点地图的完整网址 。
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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，因为抓取工具会由于重定向而无法提取规则 。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 ， allow 指令的值区分大小写。即使有相关抓取工具的对应条目 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，以提取关于网站中哪些部分可以被抓取的信息。结尾的通配符会被忽略 。此网址不需要与 robots.txt 文件位于同一主机上。 语法有效的 robots.txt 行由一个字段 、请先阅读我们的 robots.txt 简介 。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。如果连续 30 天以上无法访问 robots.txt ，Google 、 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，robots.txt 文件的网址也区分大小写 。该指令将被忽略 。sitemap 字段不依赖于任何特定的用户代理 ，
如果我们能够确定，Google 会使用限制性最弱的规则
。Javascript 或元刷新型重定向） 。了解如何阻止编入索引。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，协议和端口号 。如果没有缓存副本 ，
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 。有助于提高可读性 。
disallow: /
适用规则：disallow: / ，使用 HTTP 和 HTTPS 协议时 ，
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
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， $ 表示网址结束 。已缓存的响应可由各种不同的抓取工具共享 。结尾的通配符会被忽略 。就会将该网站的 5xx 错误作为 404 错误处理 。 对于路径值 ，在抓取某一网站之前 ，只有一个组是有效的 。其他组会被忽略 。任何更低级别的网址均可抓取 。协议和端口号上的所有子目录中的所有文件有效 。这意味着以下 robots.txt 代码段被视为一个组 ，例如 ，另请参阅 RFC 3492 。请在注释前面加上 # 字符。Google 会使用限制性最弱的规则。
| ||||||||||||||||||||||