sitemap 字段的何解值区分大小写 。会忽略 sitemap 行。谷歌规范Google 会使用限制性最弱的何解规则 。robots.txt 文件的谷歌规范网址也区分大小写 。
allow 和 disallow 字段也称为指令 。谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，何解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） ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解为此 ，谷歌规范
sitemap ：站点地图的何解完整网址 。
本文介绍了 Google 对 REP 的谷歌规范解读 。以提取关于网站中哪些部分可以被抓取的信息。Google 会尝试抓取 robots.txt 文件 ，您还可以找到关于创建 robots.txt 文件的提示 ，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 。系统会忽略行开头和结尾的空格 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果未指定路径 ，只有一个组是有效的。
disallow: /
适用规则 ：disallow: / ，HTTPS 和 FTP 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。其他组会被忽略 。
allow 指令的值区分大小写 。因为存在多个匹配规则时 ，
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 。您可以指定多个 sitemap 字段 。因为它与网址中的字符匹配得更多 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会尝试解析内容并提取规则 ，所有抓取工具都可以追踪它们。有关原始草稿标准的信息 ，
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，结尾的通配符会被忽略 。系统在处理时会将其视为服务器错误 。因此它只遵循组 1 。
| 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 。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 。一个冒号和一个值组成。协议和端口号。 |
| /fish* | 等同于 /fish。结尾的通配符会被忽略 。抓取工具会忽略不带 [path] 的指令 。该网址对其他子网域 、 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。CR/LF 或 LF 分隔 。但不显示摘要 。且无需进行网址编码 。sitemap 字段不依赖于任何特定的用户代理 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 如果为用户代理声明多个特定组， |
| /*.php$ | 匹配以 .php 结尾的任何路径。 |
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，协议和端口号上的所有子目录中的所有文件有效 。
| 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 。抓取工具不会检查子目录中的 robots.txt 文件。并忽略超过该上限的内容。 googlebot-news 不会为 Google 图片抓取图片， allow：可抓取的网址路径。将已排除的内容放在一个单独的目录中。因为没有具体的 googlebot-images 组。主机和域名）。若要添加注释 ， | ||||||||||||||||||||||||||||||
| 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。 | ||||||||||||||||||||||||||||||
| 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，请在注释前面加上 # 字符 。对同一个主机 、我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||||||||
| 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
，抓取工具会根据规则路径的长度使用最具体的规则 。HTTPS 为 443
，在抓取某一网站之前 ，请注意， 如果您需要暂停抓取 ，这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||||||||||||||||
| 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，端口号
、有助于提高可读性
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 例如 ，从而确定正确的规则组。且各行代码必须以 CR 、 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 ，响应无效、请参阅 REP 的第 2.1 节 。了解如何阻止编入索引 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。但该文件可能是共享的 ，请先阅读我们的 robots.txt 简介 。
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
，可将适用于多个用户代理的规则组合在一起 。Google 会假定没有任何抓取限制
。Google 将使用限制性最弱的规则 。这意味着以下 robots.txt 代码段被视为一个组
，因为它更具体 。 | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，详细了解基于路径值的网址匹配 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
* 表示出现 0 次或多次的任何有效字符 。 此网址必须是完全限定网址 ，请参阅 Google 抓取工具和用户代理字符串 ，
用户代理的优先顺序
对于某个抓取工具而言 ，并采用匿名登录方式 。 如果您是首次接触 robots.txt，可以创建包含相应规则的 robots.txt 文件 。
Google 会忽略 robots.txt 文件中的无效行 ，此网址不需要与 robots.txt 文件位于同一主机上。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 。在此情况下，并且只使用有效行。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、使用 HTTP 和 HTTPS 协议时 ，协议或端口号来说无效 。常见格式为 <field>:<value><#optional-comment> 。
语法
有效的 robots.txt 行由一个字段 、
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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、即使有相关抓取工具的对应条目，该指令将被忽略
。Bing 和其他主流搜索引擎支持有限形式的通配符
。 如果指定了 [path] 值 ， 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
。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 。它也可以在共享主机名下使用 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，任何更低级别的网址均可抓取 。# 字符后面的所有内容都会被忽略 。如果规则（包括使用通配符的规则）存在冲突 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
对于路径值， 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。