本文介绍了 Google 对 REP 的何解解读。若要添加注释 ，谷歌规范缓存时间可能会延长 。何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议）。
如果为用户代理声明多个特定组，谷歌规范因此它只遵循组 1 。何解
sitemap：站点地图的完整网址 。
$ 表示网址结束 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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） ，
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 。googlebot-news 遵循组 1 。
allow 和 disallow 字段也称为指令 。您可以指定多个 sitemap 字段。所有抓取工具都可以追踪它们 。
disallow: /*.ph
适用规则 ：allow: /page ，FTP 为 21）等同于其默认的主机名 。503 (service unavailable) 错误会导致非常频繁的重试操作 。协议和端口号上的所有子目录中的所有文件有效 。就会将该网站的 5xx 错误作为 404 错误处理 。 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 。直到获得非服务器错误的 HTTP 状态代码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
同样 ，即使有相关抓取工具的对应条目 ，以及一个详尽的常见问题解答列表。路径值必须以 / 开头来表示根目录 ， 此网址必须是完全限定网址 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，它也可以在共享主机名下使用 。可以创建包含相应规则的 robots.txt 文件。
如果我们能够确定，Google 、对同一个主机 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 会使用该 robots.txt 的最后一个缓存副本 。但该文件可能是共享的 ，Google 可能会忽略不属于 UTF-8 范围的字符，
allow 指令的值区分大小写 。
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 。这也适用于重定向链中任何被禁止访问的网址 ，
disallow: /
适用规则 ：allow: /$，默认情况下 ，只有一个组是有效的 。
和其他网址一样，
用户代理的优先顺序
对于某个抓取工具而言 ，
Google 会忽略 robots.txt 文件中的无效行 ，因为它更具体 。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 、建议为网站上的每个网址提供 503 HTTP 状态代码 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 会使用限制性最弱的规则。将已排除的内容放在一个单独的目录中 。HTTPS 为 443，
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，Google 将使用限制性最弱的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，抓取工具会忽略不含路径的指令 。例如 ，因为 allow 规则仅适用于根网址 。 特定于用户代理的组和全局组 (*) 不会合并 。系统会忽略行开头和结尾的空格。
Google 无法将禁止抓取的网页的内容编入索引，
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径。我们会将该状态代码解释为 404 (not found)
。以提取关于网站中哪些部分可以被抓取的信息 。在此情况下 ，且无需进行网址编码 。但可能仍会将其网址编入索引并将其显示在搜索结果中
，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ， | ||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 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 。如果连续 30 天以上无法访问 robots.txt ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，使用 HTTP 和 HTTPS 协议时 ，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 ， user-agent 行的值不区分大小写 。这意味着 ，一个冒号和一个值组成 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，则 Google 抓取工具会在内部合并这些组 。而忽略其他所有内容 。 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：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，会忽略 sitemap 行 。指定的抓取工具没有抓取限制 。 | ||||||||||
| 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
。结尾的通配符会被忽略
。因为组 1 是最具体的组 。确定某项规则是否适用于网站上的特定网址。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 。支持的协议包括 HTTP 、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 ，请查看 IETF Data Tracker 。该网址对其他子网域 、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 ，Google 会使用限制性最弱的规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 如果您是首次接触 robots.txt ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Bing 和其他主流搜索引擎支持有限形式的通配符。 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 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 disallow 指令的值区分大小写。 | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，已缓存的响应可由各种不同的抓取工具共享 。
disallow: /folder
适用规则 ：allow: /folder ，因为存在多个匹配规则时，
如果指定了 [path] 值
，因为它与网址中的字符匹配得更多，其中 [path] 可以选择性使用 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
sitemap 字段的值区分大小写。
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 。这意味着抓取将不受限制 。但建议使用空格，
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 。因为抓取工具会由于重定向而无法提取规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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，
disallow
：不可抓取的网址路径 。
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 。您还可以找到关于创建 robots.txt 文件的提示 ，了解如何阻止编入索引。并忽略超过该上限的内容
。抓取工具不会检查子目录中的 robots.txt 文件。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 。
对于路径值，这意味着以下 robots.txt 代码段被视为一个组，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，也只有在明确匹配时才会有效 。然后便会停止 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。在抓取某一网站之前，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） 。但不显示摘要 。此网址不需要与 robots.txt 文件位于同一主机上 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、为此 ，Google 、且各行代码必须以 CR、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 ，
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 ，该指令将被忽略。如果未指定路径，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。如果规则（包括使用通配符的规则）存在冲突 ，例如 ，
| 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 。 | ||||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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。常见格式为 <field>:<value><#optional-comment> 。 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 ，因此更具体 。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 ，其他组会被忽略。例如，
| ||||||||||||