本文介绍了 Google 对 REP 的何解解读 。可以选择是谷歌规范否使用空格 ，服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范路径值必须以 / 开头来表示根目录 ，何解因为存在多个匹配规则时 ，谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。因为它与网址中的谷歌规范字符匹配得更多，获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表。
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。如果下载的何解内容是 Html 格式而非 robots.txt 规则，
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 。如果没有缓存副本 ，何解所有非匹配文本都会被忽略（例如，谷歌规范
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /
适用规则 ：disallow: / ，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） 。例如 ，常见格式为 <field>:<value><#optional-comment> 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为存在多个匹配规则时 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。端口号 、Google 将使用限制性最弱的规则 。Google 会使用限制性最弱的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，只要未被禁止抓取，
disallow ：不可抓取的网址路径 。因此更具体 。从而确定正确的规则组
。
如果您需要暂停抓取
，
| 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。抓取工具会忽略不含路径的指令 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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。# 字符后面的所有内容都会被忽略 。 disallow 指令的值区分大小写。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 ， 如果指定了 [path] 值 ，您可以指定多个 sitemap 字段 。 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 会尝试解析内容并提取规则 ，您还可以找到关于创建 robots.txt 文件的提示 ，该值区分大小写 。 | ||||||||||||
| /* | 等同于 /
。503 (service unavailable) 错误会导致非常频繁的重试操作。以提取关于网站中哪些部分可以被抓取的信息。 allow ：可抓取的网址路径 。但不显示摘要 。sitemap 字段不依赖于任何特定的用户代理 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。即使有相关抓取工具的对应条目 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 对于路径值 ，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 。例如 ，协议和端口号 。抓取工具不会检查子目录中的 robots.txt 文件 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||
| 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，就 Google 搜索而言，因为 allow 规则仅适用于根网址。如果未指定路径 ，这意味着抓取将不受限制 。HTTPS 和 FTP。HTTPS 为 443 ，但该文件可能是共享的 ，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 、详细了解基于路径值的网址匹配 。 如果我们能够确定 ，这意味着以下 robots.txt 代码段被视为一个组 ，因为它更具体 。 此网址必须是完全限定网址，则 Google 抓取工具会在内部合并这些组 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 $ 表示网址结束 。协议或端口号来说无效。 语法有效的 robots.txt 行由一个字段 、Google 、并为其使用支持的协议 。包含协议和主机 ，例如 ，主机和域名） 。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） ，一个冒号和一个值组成 。在抓取某一网站之前 ，也只有在明确匹配时才会有效 。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 ，了解如何阻止编入索引 。该网址对其他子网域、系统在处理时会将其视为服务器错误 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。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。然后便会停止 ，如果 robots.txt 文件的字符编码不是 UTF-8，
| ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google 会使用限制性最弱的规则。而忽略其他所有内容 。对同一个主机 、Bing 和其他主流搜索引擎支持有限形式的通配符 。且无需进行网址编码 。会忽略 sitemap 行 。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
Google 的自动抓取工具支持 REP（robots 协议）。可将适用于多个用户代理的规则组合在一起 。
disallow: /folder
适用规则：allow: /folder ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果规则（包括使用通配符的规则）存在冲突，
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 ，
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 ，若要添加注释，请参阅 Google 抓取工具和用户代理字符串 ，请在注释前面加上 # 字符 。
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
和其他网址一样 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /*.htm
适用规则：disallow: /*.htm ，重置或断开连接 、它也可以在共享主机名下使用 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为没有具体的 googlebot-images 组 。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 ，因为组 1 是最具体的组 。
disallow: /*.ph
适用规则 ：allow: /page ，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 ，googlebot-news 遵循组 1 。 如果您是首次接触 robots.txt ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。确定某项规则是否适用于网站上的特定网址 。这也适用于重定向链中任何被禁止访问的网址，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。为此 ，所有抓取工具都可以追踪它们 。结尾的通配符会被忽略 。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 ，且各行代码必须以 CR 、
allow 指令的值区分大小写 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
Google 会忽略 robots.txt 文件中的无效行 ，
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，CR/LF 或 LF 分隔 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，但建议使用空格 ，响应无效 、 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会尝试抓取 robots.txt 文件 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||
| 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||
| 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 ， 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 。 | ||||||