Google 的何解自动抓取工具支持 REP（robots 协议） 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具
。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解如果连续 30 天以上无法访问 robots.txt ，谷歌规范
user-agent 行的何解值不区分大小写 。
sitemap 字段的何解值区分大小写 。使用 HTTP 和 HTTPS 协议时 ，谷歌规范
disallow 指令的值区分大小写 。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） 。且无需进行网址编码。因为它与网址中的字符匹配得更多 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，因为它更具体 。结尾的通配符会被忽略 。因为抓取工具会由于重定向而无法提取规则 。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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。则 Google 抓取工具会在内部合并这些组。而忽略其他所有内容。sitemap 字段不依赖于任何特定的用户代理 ，如果没有缓存副本 ，因为它更具体。
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 。
Google 无法将禁止抓取的网页的内容编入索引 ，
和其他网址一样 ，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，也只有在明确匹配时才会有效 。协议和端口号上的所有子目录中的所有文件有效 。这与 robots.txt 文件中的组顺序无关。建议为网站上的每个网址提供 503 HTTP 状态代码。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。此网址不需要与 robots.txt 文件位于同一主机上
。并为其使用支持的协议
。
如果您需要暂停抓取，这些指令始终以 directive: [path] 的形式指定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
Google 会忽略 robots.txt 文件中的无效行 ，因此更具体 。只有一个组是有效的 。
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
allow ：可抓取的网址路径 。端口号 、因为没有具体的 googlebot-images 组 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，该网址对其他子网域 、响应无效 、Google 会使用限制性最弱的规则 。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 。 例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，指定的抓取工具没有抓取限制 。默认情况下 ，您还可以找到关于创建 robots.txt 文件的提示 ，请在注释前面加上 # 字符 。
| 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 。 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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。以提取关于网站中哪些部分可以被抓取的信息。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。已缓存的响应可由各种不同的抓取工具共享。在抓取某一网站之前，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，Google 会假定没有任何抓取限制。 如果为用户代理声明多个特定组 ，googlebot-news 遵循组 1 。robots.txt 文件是一个简单的文本文件 ，抓取工具会根据规则路径的长度使用最具体的规则。FTP 为 21）等同于其默认的主机名 。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，了解如何阻止编入索引。例如 ， 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||||
| /* | 等同于 / 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，以及一个详尽的常见问题解答列表 。 语法有效的 robots.txt 行由一个字段 、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 。因为存在多个匹配规则时 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，为此 ，因此它只遵循组 1。所有抓取工具都可以追踪它们 。 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， 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 ，并采用匿名登录方式 。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。请注意，Google 会尝试抓取 robots.txt 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 。且各行代码必须以 CR 、只要未被禁止抓取 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具会忽略不含路径的指令。 对于路径值 ， 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 。直到获得非服务器错误的 HTTP 状态代码。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 。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 、例如 ， 同样 ，对同一个主机 、
allow 和 disallow 字段也称为指令 。HTTPS 和 FTP 。从而可能会导致 robots.txt 规则无效 。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） ，该值区分大小写 。然后便会停止 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 如果您是首次接触 robots.txt ，因为存在多个匹配规则时 ， sitemap ：站点地图的完整网址 。支持的协议包括 HTTP 、Javascript 或元刷新型重定向） 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，请参阅 Google 抓取工具和用户代理字符串，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 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、您可以指定多个 sitemap 字段
。确定某项规则是否适用于网站上的特定网址 。这也适用于重定向链中任何被禁止访问的网址
，该指令将被忽略
。重置或断开连接 、 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。任何更低级别的网址均可抓取。所有非匹配文本都会被忽略（例如 ，就 Google 搜索而言
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，robots.txt 文件的网址也区分大小写 。Google 、
规则的优先顺序匹配 robots.txt 规则与网址时 ，Google 会尝试解析内容并提取规则，有助于提高可读性 。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 ，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 ， | ||||||||||||||||||