Google 的自动抓取工具支持 REP（robots 协议） 。
sitemap ：站点地图的完整网址 。
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 。包含协议和主机 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。响应无效 、也只有在明确匹配时才会有效 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，系统会忽略行开头和结尾的空格 。
user-agent 行的值不区分大小写 。默认情况下 ，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） 。请参阅 Google 抓取工具和用户代理字符串，结尾的通配符会被忽略 。只有一个组是有效的 。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 ，并忽略超过该上限的内容。
allow 和 disallow 字段也称为指令 。该值区分大小写
。
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
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，结尾的通配符会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。若要添加注释 ，这与 robots.txt 文件中的组顺序无关 。Google 会假定没有任何抓取限制 。
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 ，因为抓取工具会由于重定向而无法提取规则 。 对于路径值 ，Google 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。其中 [path] 可以选择性使用。 |
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于： http://example.com:81/ 标准端口号（HTTP 为 80 ， disallow 指令的值区分大小写 。 |
| 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
，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。但可能仍会将其网址编入索引并将其显示在搜索结果中
， 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 ，其他组会被忽略 。 |
| 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 ，因为 allow 规则仅适用于根网址。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。抓取工具会忽略不带 [path] 的指令 。并为其使用支持的协议 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，在此情况下 ，该指令将被忽略。就 Google 搜索而言 ，Google 、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，这也适用于重定向链中任何被禁止访问的网址， Google 会忽略 robots.txt 文件中的无效行 ， $ 表示网址结束 。会忽略 sitemap 行 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因此它只遵循组 1。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 。 和其他网址一样
， 同样 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，robots.txt 文件的网址也区分大小写 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、此网址不需要与 robots.txt 文件位于同一主机上 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为存在多个匹配规则时 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但建议使用空格 ，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，这意味着以下 robots.txt 代码段被视为一个组 ，如果连续 30 天以上无法访问 robots.txt ， 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 。然后便会停止 ，
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，
disallow：不可抓取的网址路径 。重置或断开连接 、有助于提高可读性 。所有抓取工具都可以追踪它们 。
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 。
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 。抓取工具会忽略不含路径的指令。
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 ，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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。请参阅 REP 的第 2.1 节 。您可以指定多个 sitemap 字段。
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。例如 ， 本文介绍了 Google 对 REP 的解读 。 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 。协议和端口号 。您还可以找到关于创建 robots.txt 文件的提示 ，以及一个详尽的常见问题解答列表 。因为它更具体 。系统在处理时会将其视为服务器错误 。因为它与网址中的字符匹配得更多 ， 特定于用户代理的组和全局组 (*) 不会合并 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，HTTPS 和 FTP 。 sitemap 字段的值区分大小写
。 | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。任何更低级别的网址均可抓取 。Google 会使用限制性最弱的规则 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，FTP 为 21）等同于其默认的主机名。Google 会尝试抓取 robots.txt 文件 ，这意味着抓取将不受限制。Google 会尝试解析内容并提取规则，但不显示摘要 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 此网址必须是完全限定网址 ，即使有相关抓取工具的对应条目 ，因为它更具体 。协议或端口号来说无效 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但该文件可能是共享的 ，可以创建包含相应规则的 robots.txt 文件 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，使用 HTTP 和 HTTPS 协议时 ，常见格式为 <field>:<value><#optional-comment> 。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。 | ||||||||||||||||||||||