本文介绍了 Google 对 REP 的谷歌规范解读 。
disallow: /folder
适用规则 ：allow: /folder ，谷歌规范 路径中的何解非 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 。
如果指定了 [path] 值 ，谷歌规范我们会将该状态代码解释为 404 (not found) 。何解
匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解而忽略其他所有内容 。谷歌规范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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，系统在处理时会将其视为服务器错误 。 |
| 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 。您可以指定多个 sitemap 字段 。已缓存的响应可由各种不同的抓取工具共享 。 |
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，
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。结尾的通配符会被忽略 。
allow 指令的值区分大小写。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 特定于用户代理的组和全局组 (*) 不会合并 。并忽略超过该上限的内容 。HTTPS 和 FTP。确定某项规则是否适用于网站上的特定网址 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， $ 表示网址结束
。所有抓取工具都可以追踪它们 。该指令将被忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。例如，因此更具体 。其中 [path] 可以选择性使用 。 |
| /*.php | 匹配包含 .php 的任何路径 。详细了解基于路径值的网址匹配。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
，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 ，有关原始草稿标准的信息 ，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 ，为此，请注意， |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。这也适用于重定向链中任何被禁止访问的网址 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请参阅 Google 抓取工具和用户代理字符串 ，
Google 无法将禁止抓取的网页的内容编入索引，
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 。
用户代理的优先顺序
对于某个抓取工具而言 ，
语法
有效的 robots.txt 行由一个字段 、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，将已排除的内容放在一个单独的目录中。路径值必须以 / 开头来表示根目录，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 。
disallow: /
适用规则 ：allow: /$ ，因为组 1 是最具体的组。如果规则（包括使用通配符的规则）存在冲突 ， 此网址必须是完全限定网址 ，然后便会停止 ，例如 ，可以选择是否使用空格 ，常见格式为 <field>:<value><#optional-comment> 。只要未被禁止抓取 ，其他组会被忽略。
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，请先阅读我们的 robots.txt 简介 。
sitemap ：站点地图的完整网址。协议和端口号上的所有子目录中的所有文件有效 。使用 HTTP 和 HTTPS 协议时 ，这意味着以下 robots.txt 代码段被视为一个组，Javascript 或元刷新型重定向） 。HTTPS 为 443 ， 例如 ，CR/LF 或 LF 分隔。
disallow: /
适用规则 ：disallow: / ，
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
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 。Google 会使用限制性最弱的规则。因为 allow 规则仅适用于根网址 。在抓取某一网站之前，缓存时间可能会延长 。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） ，此网址不需要与 robots.txt 文件位于同一主机上 。所有非匹配文本都会被忽略（例如 ，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 、robots.txt 文件的网址也区分大小写 。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 将使用限制性最弱的规则 。这意味着 ，
sitemap 字段的值区分大小写。
user-agent 行的值不区分大小写 。
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，直到获得非服务器错误的 HTTP 状态代码 。因为存在多个匹配规则时 ， 如果您是首次接触 robots.txt ，了解如何阻止编入索引 。这意味着抓取将不受限制 。
disallow 指令的值区分大小写 。它也可以在共享主机名下使用。Bing 和其他主流搜索引擎支持有限形式的通配符。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 ，
allow 和 disallow 字段也称为指令 。另请参阅 RFC 3492 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 会忽略 robots.txt 文件中的无效行，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，从而确定正确的规则组。支持的协议包括 HTTP 、这与 robots.txt 文件中的组顺序无关。
和其他网址一样 ，请查看 IETF Data Tracker 。该值区分大小写 。以及一个详尽的常见问题解答列表。
对于路径值
，您还可以找到关于创建 robots.txt 文件的提示，
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
disallow ：不可抓取的网址路径。sitemap 字段不依赖于任何特定的用户代理 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，系统会忽略行开头和结尾的空格 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。可将适用于多个用户代理的规则组合在一起。一个冒号和一个值组成 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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 。并采用匿名登录方式 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， googlebot-news 不会为 Google 图片抓取图片 ，并且只使用有效行 。协议和端口号 。且各行代码必须以 CR 、
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 。端口号 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
同样，
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 ，robots.txt 文件是一个简单的文本文件 ，则 Google 抓取工具会在内部合并这些组。
| 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 。 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，主机和域名） 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。若要添加注释 ，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 ， allow
：可抓取的网址路径 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt，Google 会尝试解析内容并提取规则，但可能仍会将其网址编入索引并将其显示在搜索结果中， 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。在此情况下 ， 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 ，以提取关于网站中哪些部分可以被抓取的信息 。请在注释前面加上 # 字符 。Google 、并为其使用支持的协议 。因此它只遵循组 1。 |
如果为用户代理声明多个特定组 ，结尾的通配符会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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。
| 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 。Google 会尝试抓取 robots.txt 文件
，Google 会使用该 robots.txt 的最后一个缓存副本 。响应无效、 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 ：
| ||||||||