Google 的何解自动抓取工具支持 REP（robots 协议） 。Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，这意味着，何解
$ 表示网址结束。谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
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
同样，何解所有抓取工具都可以追踪它们。谷歌规范
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。何解Google 会假定没有任何抓取限制 。谷歌规范有助于提高可读性
。何解详细了解基于路径值的谷歌规范网址匹配
。抓取工具不会检查子目录中的 robots.txt 文件
。如果连续 30 天以上无法访问 robots.txt ，请参阅 REP 的第 2.1 节。 Google 会忽略 robots.txt 文件中的无效行 ，已缓存的响应可由各种不同的抓取工具共享 。并且只使用有效行 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，您还可以找到关于创建 robots.txt 文件的提示 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，Google 会尝试抓取 robots.txt 文件 ，用户代理的优先顺序对于某个抓取工具而言 ，所有非匹配文本都会被忽略（例如
，如果没有缓存副本
， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 disallow ：不可抓取的网址路径 。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，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 ， sitemap：站点地图的完整网址 。因为 allow 规则仅适用于根网址 。若要添加注释，如果规则（包括使用通配符的规则）存在冲突，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 和其他网址一样 ，结尾的通配符会被忽略。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 。 allow ：可抓取的网址路径。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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 。Google、HTTPS 和 FTP 。因为存在多个匹配规则时 ，FTP 为 21）等同于其默认的主机名 。您可以指定多个 sitemap 字段 。抓取工具会忽略不带 [path] 的指令 。 |
| 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 。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，使用 HTTP 和 HTTPS 协议时 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，# 字符后面的所有内容都会被忽略 。
disallow: /
适用规则 ：disallow: /，因为它更具体。该值区分大小写 。然后便会停止 ，
如果为用户代理声明多个特定组 ， 如果您是首次接触 robots.txt，
allow 指令的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，
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
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
如果您需要暂停抓取 ，Google 将使用限制性最弱的规则 。
disallow: /
适用规则 ：allow: /$，
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 。但该文件可能是共享的 ，会忽略 sitemap 行 。可以创建包含相应规则的 robots.txt 文件 。
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 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，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。503 (service unavailable) 错误会导致非常频繁的重试操作。可将适用于多个用户代理的规则组合在一起 。
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。
disallow: /*.ph
适用规则 ：allow: /page ，该指令将被忽略 。包含协议和主机 ，
* 表示出现 0 次或多次的任何有效字符 。例如，抓取工具会使用标准 RETR (RETRIEVE) 命令，HTTPS 为 443 ，请先阅读我们的 robots.txt 简介 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，响应无效 、 如果我们能够确定 ， |
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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 。 例如，
对于路径值 ，
| 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 会使用限制性最弱的规则。 | ||||||||||||||||||
| 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 ， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ，一个冒号和一个值组成 。 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 。为此 ，如果未指定路径 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 可能会忽略不属于 UTF-8 范围的字符 ， user-agent 行的值不区分大小写 。缓存时间可能会延长 。了解如何阻止编入索引。例如 ， allow 和 disallow 字段也称为指令 。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） ， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， disallow 指令的值区分大小写 。且各行代码必须以 CR 、协议或端口号来说无效 。 如果指定了 [path] 值，此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、因此它只遵循组 1。robots.txt 文件是一个简单的文本文件 ，并忽略超过该上限的内容。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，例如 ，端口号 、也只有在明确匹配时才会有效
。Google、只要未被禁止抓取 ，确定某项规则是否适用于网站上的特定网址 。因为它与网址中的字符匹配得更多 ，这些指令始终以 directive: [path] 的形式指定， 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 。因为它更具体 。因为抓取工具会由于重定向而无法提取规则 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。其他组会被忽略 。可以选择是否使用空格 ，并将其作为 robots.txt 的 404 错误来处理 。 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 ， 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 ， 本文介绍了 Google 对 REP 的解读。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||
| /$ | 仅匹配根目录 。如果 robots.txt 文件的字符编码不是 UTF-8 ，在抓取某一网站之前 ，就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件， | ||||||||||||||||||