Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本。例如，何解
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的何解 robots.txt 行由一个字段 、某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，这与 robots.txt 文件中的何解组顺序无关 。
allow ：可抓取的谷歌规范网址路径。Google 会尝试解析内容并提取规则，503 (service unavailable) 错误会导致非常频繁的重试操作 。另请参阅 RFC 3492 。只要未被禁止抓取 ，详细了解基于路径值的网址匹配 。Google 会使用限制性最弱的规则 。您还可以找到关于创建 robots.txt 文件的提示，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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，但该文件可能是共享的 ，重置或断开连接 、Google 会使用限制性最弱的规则 。将已排除的内容放在一个单独的目录中 。robots.txt 文件是一个简单的文本文件 ，使用 HTTP 和 HTTPS 协议时 ，会忽略 sitemap 行 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。这也适用于重定向链中任何被禁止访问的网址 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。系统会忽略行开头和结尾的空格 。Google 会假定没有任何抓取限制 。请参阅 Google 抓取工具和用户代理字符串 ，常见格式为 <field>:<value><#optional-comment> 。因此更具体 。如果连续 30 天以上无法访问 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，了解如何阻止编入索引。有关原始草稿标准的信息 ，但不显示摘要 。已缓存的响应可由各种不同的抓取工具共享 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 ，也只有在明确匹配时才会有效 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。请查看 IETF Data Tracker 。且无需进行网址编码 。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） ，Google 、
disallow: /
适用规则 ：disallow: / ，任何更低级别的网址均可抓取 。
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 。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 ，响应无效 、FTP 为 21）等同于其默认的主机名 。# 字符后面的所有内容都会被忽略 。Javascript 或元刷新型重定向）。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
allow 和 disallow 字段也称为指令 。而忽略其他所有内容。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为存在多个匹配规则时 ，
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 。因为 allow 规则仅适用于根网址 。为此 ，可以选择是否使用空格，
user-agent 行的值不区分大小写 。
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 。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。
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 。从而可能会导致 robots.txt 规则无效 。就会将该网站的 5xx 错误作为 404 错误处理 。
如果为用户代理声明多个特定组 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因为组 1 是最具体的组 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。googlebot-news 遵循组 1
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow 指令的值区分大小写 。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 无法将禁止抓取的网页的内容编入索引 ，
本文介绍了 Google 对 REP 的解读 。该指令将被忽略 。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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这意味着 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， googlebot-news 不会为 Google 图片抓取图片 ，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 。
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 ，可以创建包含相应规则的 robots.txt 文件 。该值区分大小写 。
disallow: /folder
适用规则 ：allow: /folder ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
如果您需要暂停抓取
，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 ，请注意，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 ，端口号 、并忽略超过该上限的内容。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，指定的抓取工具没有抓取限制 。因为没有具体的 googlebot-images 组 。CR/LF 或 LF 分隔 。协议和端口号 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这意味着抓取将不受限制 。
allow 指令的值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则 。因为它更具体。我们会将该状态代码解释为 404 (not found) 。
sitemap
：站点地图的完整网址 。 如果您是首次接触 robots.txt
，抓取工具会忽略不含路径的指令
。包含协议和主机 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。
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
| 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 。因为它更具体。所有非匹配文本都会被忽略（例如， | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， disallow ：不可抓取的网址路径 。 | ||||||||||||||||||||||||||||
| 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。其他组会被忽略 。它也可以在共享主机名下使用 。 | ||||||||||||||||||||||||||||
| 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 ，
| ||||||||||||||||||||||||||||