本文介绍了 Google 对 REP 的何解解读 。Javascript 或元刷新型重定向） 。谷歌规范HTTPS 为 443，何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅）
，抓取工具会忽略不含路径的何解指令
。因为它与网址中的谷歌规范字符匹配得更多 ，建议为网站上的何解每个网址提供 503 HTTP 状态代码
。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
# 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 ，
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 。确定某项规则是否适用于网站上的特定网址 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。就会将该网站的 5xx 错误作为 404 错误处理 。对同一个主机、
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，您还可以找到关于创建 robots.txt 文件的提示 ，
disallow: /folder
适用规则：allow: /folder ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
Google 的自动抓取工具支持 REP（robots 协议） 。因为它更具体。它也可以在共享主机名下使用 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，而忽略其他所有内容 。Google 、
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 。会忽略 sitemap 行 。503 (service unavailable) 错误会导致非常频繁的重试操作 。且各行代码必须以 CR 、Google 可能会忽略不属于 UTF-8 范围的字符，因为存在多个匹配规则时，
用户代理的优先顺序
对于某个抓取工具而言
，详细了解基于路径值的网址匹配
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，为此 ，支持的协议包括 HTTP、
如果您需要暂停抓取 ，指定的抓取工具没有抓取限制。例如 ，将已排除的内容放在一个单独的目录中。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 ，并采用匿名登录方式。因此更具体 。默认情况下 ， 如果您是首次接触 robots.txt ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow 指令的值区分大小写 。但该文件可能是共享的 ，缓存时间可能会延长 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，任何更低级别的网址均可抓取 。Google 将使用限制性最弱的规则。Google 会使用限制性最弱的规则 。所有抓取工具都可以追踪它们 。这与 robots.txt 文件中的组顺序无关。协议和端口号上的所有子目录中的所有文件有效 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 如果为用户代理声明多个特定组 ， |
| 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 ， allow 和 disallow 字段也称为指令 。HTTPS 和 FTP 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， googlebot-news 不会为 Google 图片抓取图片，因为没有具体的 googlebot-images 组 。并将其作为 robots.txt 的 404 错误来处理 。googlebot-news 遵循组 1 。请查看 IETF Data Tracker。了解如何阻止编入索引 。从而确定正确的规则组 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，在抓取某一网站之前 ，请参阅 Google 抓取工具和用户代理字符串
，抓取工具不会检查子目录中的 robots.txt 文件 。请先阅读我们的 robots.txt 简介 。 Google 无法将禁止抓取的网页的内容编入索引 ，协议和端口号 。 |
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 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 。且无需进行网址编码 。只有一个组是有效的。系统在处理时会将其视为服务器错误 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着抓取将不受限制 。并为其使用支持的协议。Google 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，抓取工具会根据规则路径的长度使用最具体的规则 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，CR/LF 或 LF 分隔 。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 ，但不显示摘要 。
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，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。该指令将被忽略 。因此它只遵循组 1 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，使用 HTTP 和 HTTPS 协议时 ，有助于提高可读性。 |
| Googlebot（网络） | googlebot 遵循组 3
。一个冒号和一个值组成 。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、 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
。robots.txt 文件是一个简单的文本文件 ，从而可能会导致 robots.txt 规则无效 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，因为抓取工具会由于重定向而无法提取规则 。所有非匹配文本都会被忽略（例如，您可以指定多个 sitemap 字段。robots.txt 文件的网址也区分大小写
。 如果我们能够确定， disallow ：不可抓取的网址路径 。重置或断开连接 、 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 。 |
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，可以选择是否使用空格，
allow ：可抓取的网址路径 。
对于路径值，已缓存的响应可由各种不同的抓取工具共享 。
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，如果规则（包括使用通配符的规则）存在冲突 ，
allow 指令的值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。
同样，以及一个详尽的常见问题解答列表。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 ，
| 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 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，结尾的通配符会被忽略 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。# 字符后面的所有内容都会被忽略。 user-agent 行的值不区分大小写 。 | ||||||||||||||
| 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 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，可以创建包含相应规则的 robots.txt 文件
。 和其他网址一样 ， | ||||||||||||||
| 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 。 | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。即使有相关抓取工具的对应条目， 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 。直到获得非服务器错误的 HTTP 状态代码 。
| ||||||||||||||