Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。
本文介绍了 Google 对 REP 的何解解读 。这意味着 ，谷歌规范详细了解基于路径值的何解网址匹配 。以提取关于网站中哪些部分可以被抓取的谷歌规范信息。
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、任何更低级别的何解网址均可抓取 。
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB，如果没有缓存副本 ，何解常见格式为 <field>:<value><#optional-comment> 。谷歌规范
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项
：
/（即使其映射到 /index.php）
/windows.PHP
$ 表示网址结束 。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 、结尾的通配符会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作。缓存时间可能会延长 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如 ，请注意 ，协议和端口号 。如果 robots.txt 文件的字符编码不是 UTF-8 ，可将适用于多个用户代理的规则组合在一起 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，会忽略 sitemap 行。因为没有具体的 googlebot-images 组 。此网址不需要与 robots.txt 文件位于同一主机上 。即使有相关抓取工具的对应条目 ，您还可以找到关于创建 robots.txt 文件的提示 ，
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，以及一个详尽的常见问题解答列表 。然后便会停止，HTTPS 为 443 ，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 ，
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 ， | ||||||||||||||||||||
| 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 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，如果连续 30 天以上无法访问 robots.txt ，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 ，若要添加注释，所有抓取工具都可以追踪它们 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。且各行代码必须以 CR、 | ||||||||||||||||||||
| 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。 如果您是首次接触 robots.txt ， sitemap 字段的值区分大小写。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） ，并采用匿名登录方式 。其中 [path] 可以选择性使用 。 如果为用户代理声明多个特定组 ，您可以指定多个 sitemap 字段 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。# 字符后面的所有内容都会被忽略
。但建议使用空格 ， 特定于用户代理的组和全局组 (*) 不会合并 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。我们会将该状态代码解释为 404 (not found)
。 例如 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，也只有在明确匹配时才会有效
。 | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，但该文件可能是共享的， allow 和 disallow 字段也称为指令 。 | ||||||||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，主机和域名） 。 Google 无法将禁止抓取的网页的内容编入索引 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、包含协议和主机 ， | ||||||||||||||||||||
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，就会将该网站的 5xx 错误作为 404 错误处理 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。该网址对其他子网域 、就 Google 搜索而言，这与 robots.txt 文件中的组顺序无关 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 、例如 ： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组 ，但可能仍会将其网址编入索引并将其显示在搜索结果中
，并且只使用有效行
。为此， googlebot-news 不会为 Google 图片抓取图片 ，但不显示摘要
。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。googlebot-news 遵循组 1
。HTTPS 和 FTP 。因为抓取工具会由于重定向而无法提取规则 。如果未指定路径 ，robots.txt 文件的网址也区分大小写 。系统在处理时会将其视为服务器错误 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式
。结尾的通配符会被忽略 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Javascript 或元刷新型重定向） 。例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，例如，协议和端口号上的所有子目录中的所有文件有效 。CR/LF 或 LF 分隔。 此网址必须是完全限定网址 ， 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，该指令将被忽略。googlebot/1.2 和 googlebot* 均等同于 googlebot）。并为其使用支持的协议 。
对于路径值，重置或断开连接 、
disallow：不可抓取的网址路径。
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。该值区分大小写。在此情况下，已缓存的响应可由各种不同的抓取工具共享 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
user-agent 行的值不区分大小写 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
同样 ，