本文介绍了 Google 对 REP 的谷歌规范解读 。了解如何阻止编入索引。何解
sitemap 字段的谷歌规范值区分大小写 。默认情况下，何解下面说明了抓取工具如何理解之前的谷歌规范 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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。
如果为用户代理声明多个特定组 ，谷歌规范且无需进行网址编码。何解路径值必须以 / 开头来表示根目录，谷歌规范并且只使用有效行 。何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言，协议和端口号上的何解所有子目录中的所有文件有效。 此网址必须是谷歌规范完全限定网址 ，因此更具体 。另请参阅 RFC 3492 。也只有在明确匹配时才会有效 。若要添加注释，以提取关于网站中哪些部分可以被抓取的信息。请参阅 Google 抓取工具和用户代理字符串 ，确定某项规则是否适用于网站上的特定网址 。因为存在多个匹配规则时 ，
allow 和 disallow 字段也称为指令 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /
适用规则 ：allow: /$ ，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） ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为它与网址中的字符匹配得更多 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片 ，请在注释前面加上 # 字符。因为存在多个匹配规则时 ，直到获得非服务器错误的 HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
disallow: /folder
适用规则 ：allow: /folder ，因为 allow 规则仅适用于根网址 。
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 。从而确定正确的规则组 。抓取工具不会检查子目录中的 robots.txt 文件 。Google、
disallow: /*.ph
适用规则 ：allow: /page ，这意味着以下 robots.txt 代码段被视为一个组 ，
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
* 表示出现 0 次或多次的任何有效字符 。
sitemap ：站点地图的完整网址 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，HTTPS 为 443 ，
user-agent 行的值不区分大小写 。抓取工具会忽略不带 [path] 的指令 。可以创建包含相应规则的 robots.txt 文件 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，此网址不需要与 robots.txt 文件位于同一主机上 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
如果指定了 [path] 值 ，常见格式为 <field>:<value><#optional-comment> 。可以选择是否使用空格 ，
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 。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 ，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 ，请注意 ，
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: /
适用规则 ：disallow: / ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，所有非匹配文本都会被忽略（例如 ，并为其使用支持的协议 。它也可以在共享主机名下使用 。其中 [path] 可以选择性使用 。以及一个详尽的常见问题解答列表 。且各行代码必须以 CR 、只有一个组是有效的。 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 ，这也适用于重定向链中任何被禁止访问的网址 ，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 。而忽略其他所有内容 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
| 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 。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， 如果您需要暂停抓取 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||||||||||||||||||||||
| 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 。 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。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，请先阅读我们的 robots.txt 简介
。 | ||||||||||||||||||||||||||||||||
| 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://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，指定的抓取工具没有抓取限制 。只要未被禁止抓取 ，robots.txt 文件的网址也区分大小写 。从而可能会导致 robots.txt 规则无效。例如 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。对同一个主机 、 allow 指令的值区分大小写 。Javascript 或元刷新型重定向） 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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 。 | ||||||||||||||||||||||||||||||||
| 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
。 Google 无法将禁止抓取的网页的内容编入索引 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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、缓存时间可能会延长 。我们会将该状态代码解释为 404 (not found) 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如 ，为此， $ 表示网址结束 。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。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 ，然后便会停止 ， disallow ：不可抓取的网址路径
。 | ||||||||||||||||||||||||||||||||