本文介绍了 Google 对 REP 的谷歌规范解读 。则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ， 此网址必须是何解完全限定网址 ，如果没有缓存副本 ，谷歌规范建议为网站上的何解每个网址提供 503 HTTP 状态代码 。默认情况下，谷歌规范这些通配符包括 ：
* 表示出现 0 次或多次的何解任何有效字符 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。何解这与 robots.txt 文件中的谷歌规范组顺序无关 。
如果我们能够确定
，可以创建包含相应规则的 robots.txt 文件 。系统在处理时会将其视为服务器错误 。
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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 ，
如果指定了 [path] 值 ，
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。
sitemap：站点地图的完整网址 。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 ，Google 、例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
disallow 指令的值区分大小写。Google 会使用该 robots.txt 的最后一个缓存副本 。且各行代码必须以 CR、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，所有抓取工具都可以追踪它们 。只要未被禁止抓取，sitemap 字段不依赖于任何特定的用户代理 ，
disallow: /*.ph
适用规则 ：allow: /page ，
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。CR/LF 或 LF 分隔。 特定于用户代理的组和全局组 (*) 不会合并 。
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 。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 ，即使有相关抓取工具的对应条目，
同样 ，
disallow: /folder
适用规则 ：allow: /folder ，
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 ，只有一个组是有效的 。因为它更具体 。常见格式为 <field>:<value><#optional-comment> 。且无需进行网址编码 。请查看 IETF Data Tracker。如果规则（包括使用通配符的规则）存在冲突 ， |
| 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 。例如 ，Google 会尝试解析内容并提取规则 ，Google 会假定没有任何抓取限制。因为它更具体。路径值必须以 / 开头来表示根目录 ，如果连续 30 天以上无法访问 robots.txt ， 对于路径值 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，协议和端口号上的所有子目录中的所有文件有效 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，会忽略 sitemap 行。因为组 1 是最具体的组 。Google 可能会忽略不属于 UTF-8 范围的字符 ，从而确定正确的规则组 。
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 。
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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
如果为用户代理声明多个特定组 ，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
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 、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，协议和端口号 。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 ，Javascript 或元刷新型重定向） 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。有助于提高可读性 。但建议使用空格
，缓存时间可能会延长 。在抓取某一网站之前 ，Google 将使用限制性最弱的规则。
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
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 。抓取工具会忽略不带 [path] 的指令
。一个冒号和一个值组成 。并将其作为 robots.txt 的 404 错误来处理
。已缓存的响应可由各种不同的抓取工具共享
。并为其使用支持的协议 。并忽略超过该上限的内容。如果未指定路径 ，使用 HTTP 和 HTTPS 协议时 ，而忽略其他所有内容 。结尾的通配符会被忽略 。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。结尾的通配符会被忽略
。从而可能会导致 robots.txt 规则无效 。请先阅读我们的 robots.txt 简介 。 例如
，
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
$ 表示网址结束 。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，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。抓取工具不会检查子目录中的 robots.txt 文件 。则 Google 抓取工具会在内部合并这些组 。为此 ，在此情况下 ，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 、因为存在多个匹配规则时 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，其他组会被忽略 。
sitemap 字段的值区分大小写 。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 。
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。其中 [path] 可以选择性使用 。确定某项规则是否适用于网站上的特定网址 。您可以指定多个 sitemap 字段 。例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，将已排除的内容放在一个单独的目录中 。这意味着 ，
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 。这些指令始终以 directive: [path] 的形式指定 ，
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，并采用匿名登录方式 。有关原始草稿标准的信息 ，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 。您还可以找到关于创建 robots.txt 文件的提示， 如果您是首次接触 robots.txt ，HTTPS 为 443，
user-agent 行的值不区分大小写 。
语法
有效的 robots.txt 行由一个字段 、503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow ：不可抓取的网址路径 。请注意 ，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 。
Google 会忽略 robots.txt 文件中的无效行 ，
| 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 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 。就会将该网站的 5xx 错误作为 404 错误处理。 allow 和 disallow 字段也称为指令 。 | ||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，robots.txt 文件是一个简单的文本文件 ， allow：可抓取的网址路径 。协议或端口号来说无效 。但该文件可能是共享的，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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） 。这意味着抓取将不受限制。响应无效 、请参阅 REP 的第 2.1 节 。# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||||||||
| 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 ，所有非匹配文本都会被忽略（例如，了解如何阻止编入索引
。该值区分大小写。 和其他网址一样，如果 robots.txt 文件的字符编码不是 UTF-8
， | ||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，FTP 为 21）等同于其默认的主机名 。 如果您需要暂停抓取 ，请参阅 Google 抓取工具和用户代理字符串，
| ||||||||||||||||||||||||