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
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令
，谷歌规范详细了解基于路径值的何解网址匹配
。所有抓取工具都可以追踪它们
。谷歌规范确定某项规则是何解否适用于网站上的特定网址 。有关原始草稿标准的谷歌规范信息 ，
如果您需要暂停抓取 ，何解并忽略超过该上限的谷歌规范内容 。
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。但不显示摘要 。谷歌规范系统在处理时会将其视为服务器错误 。何解协议或端口号来说无效。谷歌规范
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
对于路径值 ， 此网址必须是完全限定网址 ，
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具会根据规则路径的长度使用最具体的规则 。
disallow: /folder
适用规则 ：allow: /folder ，因为它与网址中的字符匹配得更多 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，且无需进行网址编码 。Bing 和其他主流搜索引擎支持有限形式的通配符 。常见格式为 <field>:<value><#optional-comment> 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、重置或断开连接、一个冒号和一个值组成 。对同一个主机 、这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。将已排除的内容放在一个单独的目录中 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
sitemap：站点地图的完整网址 。因为它更具体 。只有一个组是有效的 。
user-agent 行的值不区分大小写 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，# 字符后面的所有内容都会被忽略。 googlebot-news 不会为 Google 图片抓取图片 ，
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 ，
disallow: /
适用规则 ：allow: /$ ，且各行代码必须以 CR 、
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 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
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
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。它也可以在共享主机名下使用 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，响应无效 、
如果指定了 [path] 值，可将适用于多个用户代理的规则组合在一起。结尾的通配符会被忽略。其中 [path] 可以选择性使用 。就会将该网站的 5xx 错误作为 404 错误处理 。
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，并且只使用有效行。缓存时间可能会延长 。
allow ：可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会尝试解析内容并提取规则 ，因此它只遵循组 1 。
| 路径匹配示例 | |||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 会使用该 robots.txt 的最后一个缓存副本 。抓取工具会忽略不带 [path] 的指令。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
。 $ 表示网址结束 。例如 ，这些指令始终以 directive: [path] 的形式指定， | ||||||||||||||||||||||||||||||||
| 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
。为此 ，语法有效的 robots.txt 行由一个字段、 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 ， | ||||||||||||||||||||||||||||||||
| 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。并为其使用支持的协议 。此网址不需要与 robots.txt 文件位于同一主机上 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 allow 指令的值区分大小写。以及一个详尽的常见问题解答列表 。有助于提高可读性 。因为存在多个匹配规则时 ，但该文件可能是共享的，sitemap 字段不依赖于任何特定的用户代理 ， 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 ，Google 会使用限制性最弱的规则 。并将其作为 robots.txt 的 404 错误来处理 。Javascript 或元刷新型重定向） 。包含协议和主机 ，如果下载的内容是 Html 格式而非 robots.txt 规则，CR/LF 或 LF 分隔 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 会假定没有任何抓取限制 。请在注释前面加上 # 字符 。默认情况下 ，请参阅 Google 抓取工具和用户代理字符串 ，例如 ，主机和域名） 。抓取工具不会检查子目录中的 robots.txt 文件 。 disallow ：不可抓取的网址路径 。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 ，请注意，另请参阅 RFC 3492 。 | ||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，建议为网站上的每个网址提供 503 HTTP 状态代码。但建议使用空格 ，googlebot-news 遵循组 1
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、robots.txt 文件是一个简单的文本文件 ，若要添加注释 ，因为存在多个匹配规则时 ， Google 无法将禁止抓取的网页的内容编入索引，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）， 同样， | ||||||||||||||||||||||||||||||||
| 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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件
， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，如果连续 30 天以上无法访问 robots.txt ，HTTPS 和 FTP 。就 Google 搜索而言，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 ， allow 和 disallow 字段也称为指令。Google、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 ， 特定于用户代理的组和全局组 (*) 不会合并 。 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 ：
匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。只要未被禁止抓取，您还可以找到关于创建 robots.txt 文件的提示 ，
| ||||||||||||||||||||||||||||||||