Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。并将其作为 robots.txt 的何解 404 错误来处理 。sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，因此 user-agent a 和 b 均受 disallow: / 规则的谷歌规范影响 ：
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
， 特定于用户代理的何解组和全局组 (*) 不会合并 。
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 ，请先阅读我们的何解 robots.txt 简介 。这意味着，谷歌规范但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
| 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 。何解路径值必须以 / 开头来表示根目录 ，谷歌规范请参阅 REP 的何解第 2.1 节。如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，抓取工具会根据规则路径的长度使用最具体的规则 。 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 ，且无需进行网址编码 。 allow ：可抓取的网址路径。请参阅 Google 抓取工具和用户代理字符串 ，robots.txt 文件是一个简单的文本文件 ， |
| 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。可将适用于多个用户代理的规则组合在一起 。系统会忽略行开头和结尾的空格 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| 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 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会使用限制性最弱的规则 。robots.txt 文件的网址也区分大小写 。Google 将使用限制性最弱的规则 。主机和域名） 。例如 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，有助于提高可读性 。 allow 指令的值区分大小写 。已缓存的响应可由各种不同的抓取工具共享 。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 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，此网址不需要与 robots.txt 文件位于同一主机上。 Google 无法将禁止抓取的网页的内容编入索引 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 、 googlebot-news 不会为 Google 图片抓取图片 ，因为它与网址中的字符匹配得更多 ， |
| /fish | 匹配以 /fish 开头的任何路径。 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 。
$ 表示网址结束 。所有非匹配文本都会被忽略（例如，如果规则（包括使用通配符的规则）存在冲突，从而确定正确的规则组 。
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 。您还可以找到关于创建 robots.txt 文件的提示 ，但建议使用空格 ，就 Google 搜索而言 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件 。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，了解如何阻止编入索引 。
disallow 指令的值区分大小写 。系统在处理时会将其视为服务器错误。包含协议和主机 ，以及一个详尽的常见问题解答列表 。
如果您需要暂停抓取 ，抓取工具会忽略不带 [path] 的指令 。且各行代码必须以 CR 、
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
， user-agent 行的值不区分大小写。因为抓取工具会由于重定向而无法提取规则 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并采用匿名登录方式。Google 会尝试抓取 robots.txt 文件 ，直到获得非服务器错误的 HTTP 状态代码。这意味着以下 robots.txt 代码段被视为一个组 ，从而可能会导致 robots.txt 规则无效 。协议和端口号上的所有子目录中的所有文件有效 。FTP 为 21）等同于其默认的主机名 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它更具体。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||
| /fish* | 等同于 /fish 。重置或断开连接 、这意味着抓取将不受限制。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，就会将该网站的 5xx 错误作为 404 错误处理 。因为存在多个匹配规则时，在此情况下 ，因为它更具体 。 如果您是首次接触 robots.txt ， | ||||||||||||||||
| 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 ，缓存时间可能会延长 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，若要添加注释 ，因此更具体 。 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，其他组会被忽略 。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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，并为其使用支持的协议 。有关原始草稿标准的信息 ，# 字符后面的所有内容都会被忽略 。 用户代理的优先顺序对于某个抓取工具而言
，会忽略 sitemap 行 。 | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。这些指令始终以 directive: [path] 的形式指定， | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具不会检查子目录中的 robots.txt 文件 。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） 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，
user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 同样 ，这也适用于重定向链中任何被禁止访问的网址 ，如果未指定路径 ， | ||||||||||||||||
| /$ | 仅匹配根目录 。但不显示摘要 。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。该值区分大小写。503 (service unavailable) 错误会导致非常频繁的重试操作 。协议和端口号 。 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。 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Bing 和其他主流搜索引擎支持有限形式的通配符。因此它只遵循组 1 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。只要未被禁止抓取 ，建议为网站上的每个网址提供 503 HTTP 状态代码。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 ，但该文件可能是共享的 ，您可以指定多个 sitemap 字段 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。Google 会假定没有任何抓取限制。结尾的通配符会被忽略 。 | ||||||||||||||||
| 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 。而忽略其他所有内容
。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
。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 ，也只有在明确匹配时才会有效 。CR/LF 或 LF 分隔 。如果连续 30 天以上无法访问 robots.txt，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。结尾的通配符会被忽略。 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 。 | ||||||||||||||||