本文介绍了 Google 对 REP 的何解解读 。对同一个主机 、谷歌规范可将适用于多个用户代理的何解规则组合在一起 。
$ 表示网址结束 。谷歌规范有助于提高可读性 。何解
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范另请参阅 RFC 3492 。何解该值区分大小写 。谷歌规范使用 HTTP 和 HTTPS 协议时 ，何解指定的谷歌规范抓取工具没有抓取限制。Google 、何解
disallow: /
适用规则 ：allow: /$ ，谷歌规范
user-agent 行的何解值不区分大小写 。常见格式为 <field>:<value><#optional-comment> 。谷歌规范
disallow: /folder
适用规则 ：allow: /folder ，这意味着 ，了解如何阻止编入索引 。您可以指定多个 sitemap 字段。主机和域名） 。并为其使用支持的协议 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。协议和端口号
。 如果指定了 [path] 值 ，但建议使用空格， 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 会尝试抓取 robots.txt 文件 ，从而可能会导致 robots.txt 规则无效 。所有非匹配文本都会被忽略（例如 ，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 ，googlebot-news 遵循组 1 。任何更低级别的网址均可抓取 。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 、在抓取某一网站之前 ，这意味着以下 robots.txt 代码段被视为一个组 ，系统在处理时会将其视为服务器错误 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
| Googlebot News（抓取图片时） | 抓取图片时， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 语法有效的 robots.txt 行由一个字段 、 对于路径值 ， |
| 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 。但不显示摘要。 |
| 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 。HTTPS 为 443 ， |
| 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 。Google 会尝试解析内容并提取规则 ，这意味着抓取将不受限制 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，然后便会停止 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ， |
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，包含协议和主机 ，这些指令始终以 directive: [path] 的形式指定，
sitemap 字段的值区分大小写 。
用户代理的优先顺序
对于某个抓取工具而言 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
和其他网址一样，请先阅读我们的 robots.txt 简介 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow ：不可抓取的网址路径 。Google 会假定没有任何抓取限制 。
Google 无法将禁止抓取的网页的内容编入索引 ，例如，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
，如果没有缓存副本 ，
如果我们能够确定 ，例如，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 ，
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。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） ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
sitemap ：站点地图的完整网址 。
disallow 指令的值区分大小写
。将已排除的内容放在一个单独的目录中
。
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 ，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 ， 此网址必须是完全限定网址 ，重置或断开连接 、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 ，
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
。而忽略其他所有内容。抓取工具会忽略不带 [path] 的指令 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。请查看 IETF Data Tracker 。
* 表示出现 0 次或多次的任何有效字符。因为它与网址中的字符匹配得更多 ，请注意 ，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。且各行代码必须以 CR 、并忽略超过该上限的内容
。
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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果 robots.txt 文件的字符编码不是 UTF-8
，就会将该网站的 5xx 错误作为 404 错误处理 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 ，并且只使用有效行。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 。例如 ，因为没有具体的 googlebot-images 组。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。会忽略 sitemap 行。Google 抓取工具会下载并解析该网站的 robots.txt 文件，sitemap 字段不依赖于任何特定的用户代理，请参阅 REP 的第 2.1 节 。
如果为用户代理声明多个特定组，支持的协议包括 HTTP、
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。我们会将该状态代码解释为 404 (not found) 。可以创建包含相应规则的 robots.txt 文件。只有一个组是有效的。因为它更具体 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，协议和端口号上的所有子目录中的所有文件有效 。确定某项规则是否适用于网站上的特定网址 。响应无效 、 googlebot-news 不会为 Google 图片抓取图片 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，缓存时间可能会延长 。 allow ：可抓取的网址路径 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 同样 ，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 ，因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并。即使有相关抓取工具的对应条目， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。并将其作为 robots.txt 的 404 错误来处理 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 ，若要添加注释，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，其中 [path] 可以选择性使用。如果规则（包括使用通配符的规则）存在冲突 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
disallow: /*.ph
适用规则 ：allow: /page ，所有抓取工具都可以追踪它们 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，详细了解基于路径值的网址匹配 。其他组会被忽略 。因此它只遵循组 1 。
disallow: /
适用规则 ：disallow: / ，只要未被禁止抓取，已缓存的响应可由各种不同的抓取工具共享 。以提取关于网站中哪些部分可以被抓取的信息 。则 Google 抓取工具会在内部合并这些组 。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 。为此 ，CR/LF 或 LF 分隔 。
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 ， 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。例如 ，因为它更具体。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。# 字符后面的所有内容都会被忽略
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 ，系统会忽略行开头和结尾的空格 。也只有在明确匹配时才会有效
。 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 例如，且无需进行网址编码
。抓取工具会根据规则路径的长度使用最具体的规则 。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
。Javascript 或元刷新型重定向）
。抓取工具不会检查子目录中的 robots.txt 文件
。 allow 和 disallow 字段也称为指令 。请在注释前面加上 # 字符。协议或端口号来说无效。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
| ||||||||||||