Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。Google 可能会忽略不属于 UTF-8 范围的何解字符，请参阅 REP 的谷歌规范第 2.1 节。
| 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。何解因为抓取工具会由于重定向而无法提取规则。谷歌规范常见格式为 <field>:<value><#optional-comment> 。何解 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的谷歌规范其他 Google 抓取工具遵循组 2 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，何解如果连续 30 天以上无法访问 robots.txt，谷歌规范然后便会停止 ，何解 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范响应无效 、何解一个冒号和一个值组成 。谷歌规范 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 。已缓存的谷歌规范响应可由各种不同的抓取工具共享。结尾的通配符会被忽略 。 |
| 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 。 如果指定了 [path] 值 ，可以选择是否使用空格 ，这意味着抓取将不受限制 。请在注释前面加上 # 字符 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， googlebot-news 不会为 Google 图片抓取图片 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
如果为用户代理声明多个特定组 ，结尾的通配符会被忽略 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，我们会将该状态代码解释为 404 (not found) 。重置或断开连接、即使有相关抓取工具的对应条目 ，
如果我们能够确定 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，但不显示摘要
。
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 。协议或端口号来说无效 。协议和端口号 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 。robots.txt 文件的网址也区分大小写 。
disallow: /
适用规则 ：disallow: /，Google 会使用该 robots.txt 的最后一个缓存副本。并为其使用支持的协议 。所有抓取工具都可以追踪它们 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
和其他网址一样 ，
sitemap ：站点地图的完整网址 。对同一个主机、
disallow: /*.ph
适用规则：allow: /page ，
allow 指令的值区分大小写 。主机和域名） 。只有一个组是有效的 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。抓取工具会忽略不含路径的指令 。其他组会被忽略 。在此情况下 ，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，请注意 ，请查看 IETF Data Tracker。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 、
$ 表示网址结束 。robots.txt 文件是一个简单的文本文件 ，此网址不需要与 robots.txt 文件位于同一主机上 。就 Google 搜索而言 ，该网址对其他子网域 、如果下载的内容是 Html 格式而非 robots.txt 规则，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
如果您需要暂停抓取 ，并忽略超过该上限的内容。您还可以找到关于创建 robots.txt 文件的提示，
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，例如，
规则的优先顺序匹配 robots.txt 规则与网址时 ，请先阅读我们的 robots.txt 简介 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。可以创建包含相应规则的 robots.txt 文件。以提取关于网站中哪些部分可以被抓取的信息 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、sitemap 字段不依赖于任何特定的用户代理 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，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 ， 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：
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 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 ，将已排除的内容放在一个单独的目录中。缓存时间可能会延长 。就会将该网站的 5xx 错误作为 404 错误处理 。默认情况下 ，有关原始草稿标准的信息 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||||
| 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 ， 如果您是首次接触 robots.txt ， | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 user-agent 行的值不区分大小写 。 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 ， | ||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 disallow ：不可抓取的网址路径 。Google 将使用限制性最弱的规则 。googlebot-news 遵循组 1 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如， 特定于用户代理的组和全局组 (*) 不会合并 。如果没有缓存副本 ， | ||||||||||||||||||||||||
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，它也可以在共享主机名下使用 。则 Google 抓取工具会在内部合并这些组 。如果规则（包括使用通配符的规则）存在冲突 ，HTTPS 和 FTP 。任何更低级别的网址均可抓取 。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 。并且只使用有效行 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
| 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 。 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 ，另请参阅 RFC 3492 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。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。 |
| /fish* | 等同于 /fish 。该值区分大小写 。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。使用 HTTP 和 HTTPS 协议时 ，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、若要添加注释 ， |
| 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 。直到获得非服务器错误的 HTTP 状态代码 。 allow 和 disallow 字段也称为指令 。所有非匹配文本都会被忽略（例如 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| Googlebot（网络） | googlebot 遵循组 3。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。并采用匿名登录方式 。 |
| /fish | 匹配以 /fish 开头的任何路径
。Google 会尝试解析内容并提取规则
，指定的抓取工具没有抓取限制。系统会忽略行开头和结尾的空格 。 本文介绍了 Google 对 REP 的解读。系统在处理时会将其视为服务器错误 。这些指令始终以 directive: [path] 的形式指定 ，这也适用于重定向链中任何被禁止访问的网址，了解如何阻止编入索引。建议为网站上的每个网址提供 503 HTTP 状态代码 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，例如 ， allow ：可抓取的网址路径
。抓取工具不会检查子目录中的 robots.txt 文件 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 语法有效的 robots.txt 行由一个字段 、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） ， |