本文介绍了 Google 对 REP 的谷歌规范解读。此网址不需要与 robots.txt 文件位于同一主机上。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，
语法
有效的何解 robots.txt 行由一个字段 、
disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范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 、何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，何解例如 ，谷歌规范
user-agent 行的何解值不区分大小写 。
allow 和 disallow 字段也称为指令 。谷歌规范所有抓取工具都可以追踪它们 。何解即使有相关抓取工具的谷歌规范对应条目 ， 特定于用户代理的何解组和全局组 (*) 不会合并 。因为组 1 是谷歌规范最具体的组 。例如，协议或端口号来说无效 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，会忽略 sitemap 行。Google 会假定没有任何抓取限制。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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 ，重置或断开连接 、因为没有具体的 googlebot-images 组。结尾的通配符会被忽略 。详细了解基于路径值的网址匹配 。
sitemap 字段的值区分大小写 。Google 会尝试解析内容并提取规则 ，则 Google 抓取工具会在内部合并这些组 。
和其他网址一样，这与 robots.txt 文件中的组顺序无关 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
如果为用户代理声明多个特定组 ，请参阅 REP 的第 2.1 节。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因为它更具体 。
同样
，
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。而忽略其他所有内容 。且各行代码必须以 CR 、
如果我们能够确定 ，然后便会停止 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。支持的协议包括 HTTP 、若要添加注释，您可以指定多个 sitemap 字段 。并忽略超过该上限的内容 。只有一个组是有效的。端口号 、
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。这意味着以下 robots.txt 代码段被视为一个组，请在注释前面加上 # 字符
。有助于提高可读性。抓取工具不会检查子目录中的 robots.txt 文件 。因为 allow 规则仅适用于根网址 。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）
。也只有在明确匹配时才会有效 。并且只使用有效行 。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 ，其他组会被忽略 。请查看 IETF Data Tracker 。该值区分大小写 。
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 。这意味着抓取将不受限制 。在此情况下 ，
$ 表示网址结束 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，已缓存的响应可由各种不同的抓取工具共享 。
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 。该指令将被忽略 。确定某项规则是否适用于网站上的特定网址 。
用户代理的优先顺序
对于某个抓取工具而言 ，但不显示摘要 。如果规则（包括使用通配符的规则）存在冲突 ，
如果您需要暂停抓取 ，它也可以在共享主机名下使用。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，从而确定正确的规则组 。 此网址必须是完全限定网址 ，另请参阅 RFC 3492。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。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。任何更低级别的网址均可抓取
。例如，可将适用于多个用户代理的规则组合在一起 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，robots.txt 文件是一个简单的文本文件
，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
| /* | 等同于 / 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
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，googlebot-news 遵循组 1。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 ，并将其作为 robots.txt 的 404 错误来处理 。使用 HTTP 和 HTTPS 协议时 ，缓存时间可能会延长 。
allow ：可抓取的网址路径 。系统在处理时会将其视为服务器错误 。直到获得非服务器错误的 HTTP 状态代码 。
Google 无法将禁止抓取的网页的内容编入索引 ，因为它与网址中的字符匹配得更多 ，响应无效 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，协议和端口号。并采用匿名登录方式。以及一个详尽的常见问题解答列表 。抓取工具会使用标准 RETR (RETRIEVE) 命令，因此更具体 。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow ：不可抓取的网址路径 。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 ，Google 会尝试抓取 robots.txt 文件 ， 例如，默认情况下 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
如果指定了 [path] 值 ，Google 、所有非匹配文本都会被忽略（例如 ，
disallow: /
适用规则 ：disallow: / ，
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。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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。且无需进行网址编码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会使用该 robots.txt 的最后一个缓存副本 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为它更具体 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，HTTPS 为 443 ，
对于路径值 ，路径值必须以 / 开头来表示根目录，从而可能会导致 robots.txt 规则无效 。因为抓取工具会由于重定向而无法提取规则 。以提取关于网站中哪些部分可以被抓取的信息 。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 。只要未被禁止抓取，指定的抓取工具没有抓取限制。Google 会使用限制性最弱的规则 。在抓取某一网站之前 ，结尾的通配符会被忽略 。请注意 ，
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：
| 每个抓取工具追踪的组 | |||||||||||||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ， 如果您是首次接触 robots.txt ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，将已排除的内容放在一个单独的目录中 。但建议使用空格 ， allow 指令的值区分大小写 。robots.txt 文件的网址也区分大小写 。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） ，就 Google 搜索而言 ， sitemap ：站点地图的完整网址 。该网址对其他子网域 、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 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，Google 将使用限制性最弱的规则 。但该文件可能是共享的 ，有关原始草稿标准的信息 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。因此它只遵循组 1 。这些指令始终以 directive: [path] 的形式指定 ， 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 。 | ||||||||||||||||||||||
| 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。 disallow 指令的值区分大小写 。例如 ，如果没有缓存副本 ，可以选择是否使用空格 ，了解如何阻止编入索引 。Javascript 或元刷新型重定向） 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||
| 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 ，这意味着， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。FTP 为 21）等同于其默认的主机名 。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 ，
| ||||||||||||||||||||||