Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。如果 robots.txt 文件的何解字符编码不是 UTF-8 ，example.com 的谷歌规范 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 ，
如果为用户代理声明多个特定组，何解抓取工具会忽略不带 [path] 的谷歌规范指令 。因为组 1 是何解最具体的组。 此网址必须是谷歌规范完全限定网址，在此情况下，何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范例如
，何解指定的谷歌规范抓取工具没有抓取限制。但建议使用空格
，何解例如
，谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言 ，
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、Javascript 或元刷新型重定向） 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。请参阅 Google 抓取工具和用户代理字符串 ，
如果您需要暂停抓取，
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 。它也可以在共享主机名下使用。该网址对其他子网域、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 ，主机和域名） 。协议和端口号上的所有子目录中的所有文件有效 。确定某项规则是否适用于网站上的特定网址 。请查看 IETF Data Tracker 。另请参阅 RFC 3492 。并且只使用有效行 。
| 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
。这意味着以下 robots.txt 代码段被视为一个组 ， 例如 ，协议或端口号来说无效。该指令将被忽略 。 如果指定了 [path] 值， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会尝试抓取 robots.txt 文件，这意味着， | ||||||||||||||||
| /fish* | 等同于 /fish 。抓取工具会根据规则路径的长度使用最具体的规则。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 。从而可能会导致 robots.txt 规则无效。但可能仍会将其网址编入索引并将其显示在搜索结果中，因为没有具体的 googlebot-images 组
。且无需进行网址编码
。如果下载的内容是 Html 格式而非 robots.txt 规则
， Google 无法将禁止抓取的网页的内容编入索引 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， sitemap ：站点地图的完整网址。结尾的通配符会被忽略 。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） 。也只有在明确匹配时才会有效 。 | ||||||||||||||||
| /$ | 仅匹配根目录。 Google 会忽略 robots.txt 文件中的无效行，
规则的优先顺序匹配 robots.txt 规则与网址时
，包含协议和主机
，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） ，就会将该网站的 5xx 错误作为 404 错误处理。从而确定正确的规则组。 | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， allow：可抓取的网址路径。HTTPS 和 FTP。 | ||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，建议为网站上的每个网址提供 503 HTTP 状态代码。并将其作为 robots.txt 的 404 错误来处理 。Google 会假定没有任何抓取限制 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
本文介绍了 Google 对 REP 的解读 。Google 、
$ 表示网址结束 。
disallow ：不可抓取的网址路径 。
allow 和 disallow 字段也称为指令 。且各行代码必须以 CR 、robots.txt 文件是一个简单的文本文件，即使有相关抓取工具的对应条目 ，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 ，
disallow 指令的值区分大小写 。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 。系统会忽略行开头和结尾的空格 。googlebot-news 遵循组 1。以提取关于网站中哪些部分可以被抓取的信息。所有非匹配文本都会被忽略（例如 ，协议和端口号 。因为 allow 规则仅适用于根网址。直到获得非服务器错误的 HTTP 状态代码 。其中 [path] 可以选择性使用 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。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 。您可以指定多个 sitemap 字段。
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 。我们会将该状态代码解释为 404 (not found) 。如果连续 30 天以上无法访问 robots.txt，因为存在多个匹配规则时 ，这些指令始终以 directive: [path] 的形式指定，有关原始草稿标准的信息 ，
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 。在抓取某一网站之前 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，任何更低级别的网址均可抓取 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，已缓存的响应可由各种不同的抓取工具共享 。这也适用于重定向链中任何被禁止访问的网址 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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
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 。使用 HTTP 和 HTTPS 协议时 ，
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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。例如，就 Google 搜索而言 ，
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 ，并采用匿名登录方式 。端口号、
user-agent 行的值不区分大小写 。响应无效 、因为抓取工具会由于重定向而无法提取规则。Google 可能会忽略不属于 UTF-8 范围的字符 ， 特定于用户代理的组和全局组 (*) 不会合并。
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 。支持的协议包括 HTTP 、其他组会被忽略 。然后便会停止 ，可以创建包含相应规则的 robots.txt 文件 。
sitemap 字段的值区分大小写。您还可以找到关于创建 robots.txt 文件的提示 ，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 ，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 ，可以选择是否使用空格 ，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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 allow 指令的值区分大小写 。Google 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。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，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 、sitemap 字段不依赖于任何特定的用户代理 ，因为它更具体 。而忽略其他所有内容 。如果未指定路径 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，因此它只遵循组 1 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3
。因为它更具体
。语法有效的 robots.txt 行由一个字段 、请在注释前面加上 # 字符 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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) ， 同样 ，
| ||||||||