Google 的何解自动抓取工具支持 REP（robots 协议） 。
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范
用法：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径。
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、确定某项规则是何解否适用于网站上的特定网址 。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。因为组 1 是何解最具体的组 。
disallow ：不可抓取的谷歌规范网址路径 。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 ，何解
如果您需要暂停抓取 ，谷歌规范任何更低级别的何解网址均可抓取
。就 Google 搜索而言 ，谷歌规范
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 。如果未指定路径，
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 ，缓存时间可能会延长 。
$ 表示网址结束。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。如果 robots.txt 文件的字符编码不是 UTF-8 ，并将其作为 robots.txt 的 404 错误来处理 。这与 robots.txt 文件中的组顺序无关。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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
和其他网址一样，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，默认情况下 ，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。 如果您是首次接触 robots.txt ，包含协议和主机 ，
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 。为此 ，Google 会使用该 robots.txt 的最后一个缓存副本。Javascript 或元刷新型重定向） 。如果规则（包括使用通配符的规则）存在冲突 ，
disallow: /folder
适用规则 ：allow: /folder ，协议和端口号 。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 。
| 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 。以及一个详尽的常见问题解答列表
。指定的抓取工具没有抓取限制 。主机和域名）。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，且无需进行网址编码 。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 ：可抓取的网址路径 。所有非匹配文本都会被忽略（例如 ，使用 HTTP 和 HTTPS 协议时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 user-agent 行的值不区分大小写。您还可以找到关于创建 robots.txt 文件的提示 ， 语法有效的 robots.txt 行由一个字段 、请先阅读我们的 robots.txt 简介 。这意味着以下 robots.txt 代码段被视为一个组 ，即使有相关抓取工具的对应条目 ， 如果为用户代理声明多个特定组，其他组会被忽略 。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 ，然后便会停止 ， 同样， | ||||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。robots.txt 文件是一个简单的文本文件，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，可以选择是否使用空格 ， | ||||||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录。也只有在明确匹配时才会有效
。协议和端口号上的所有子目录中的所有文件有效 。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这意味着，将已排除的内容放在一个单独的目录中 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，该值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 sitemap 字段的值区分大小写 。从而确定正确的规则组 。googlebot-news 遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理。响应无效 、 | ||||||||||||||||||||||||||||||||||||||||
| 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。可以创建包含相应规则的 robots.txt 文件 。系统会忽略行开头和结尾的空格 。因为抓取工具会由于重定向而无法提取规则
。重置或断开连接 、路径值必须以 / 开头来表示根目录 ，例如 ， 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 。 如果我们能够确定 ， | ||||||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 。 | ||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 /。 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 。FTP 为 21）等同于其默认的主机名 。而忽略其他所有内容。其中 [path] 可以选择性使用。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 。您可以指定多个 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理 ， disallow 指令的值区分大小写 。并且只使用有效行 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 会使用限制性最弱的规则。 如果指定了 [path] 值 ，有助于提高可读性 。因为没有具体的 googlebot-images 组 。Google 会尝试解析内容并提取规则 ，因为存在多个匹配规则时 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请参阅 REP 的第 2.1 节。 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 ：
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
规则的优先顺序匹配 robots.txt 规则与网址时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，另请参阅 RFC 3492 。则 Google 抓取工具会在内部合并这些组
。结尾的通配符会被忽略 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。抓取工具不会检查子目录中的 robots.txt 文件 。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不含路径的指令 。此网址不需要与 robots.txt 文件位于同一主机上。因为它与网址中的字符匹配得更多 ，了解如何阻止编入索引 。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||||||||||||||||
| 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 。 googlebot-news 不会为 Google 图片抓取图片，建议为网站上的每个网址提供 503 HTTP 状态代码 。系统在处理时会将其视为服务器错误 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，只有一个组是有效的。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。并忽略超过该上限的内容 。已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||||||||||||||||