匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
disallow 指令的何解值区分大小写 。因为它与网址中的谷歌规范字符匹配得更多 ，
allow ：可抓取的何解网址路径 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，
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 ，FTP 为 21）等同于其默认的主机名 。因为它更具体 。但不显示摘要 。
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。路径值必须以 / 开头来表示根目录 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。响应无效 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 会使用限制性最弱的规则 。Google 将使用限制性最弱的规则 。如果没有缓存副本 ， disallow ：不可抓取的网址路径 。HTTPS 和 FTP 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
如果我们能够确定 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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） ，
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 。
Google 无法将禁止抓取的网页的内容编入索引，协议或端口号来说无效 。任何更低级别的网址均可抓取 。 特定于用户代理的组和全局组 (*) 不会合并 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 可能会忽略不属于 UTF-8 范围的字符 ，只有一个组是有效的 。 |
| 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 。已缓存的响应可由各种不同的抓取工具共享 。 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，该指令将被忽略。抓取工具不会检查子目录中的 robots.txt 文件 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，以提取关于网站中哪些部分可以被抓取的信息 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ，会忽略 sitemap 行 。支持的协议包括 HTTP 、 | ||||||||||||
| 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 。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 。且各行代码必须以 CR、
规则的优先顺序匹配 robots.txt 规则与网址时 ，因此更具体 。Javascript 或元刷新型重定向） 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 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。HTTPS 为 443，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 ，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 ， Google 的自动抓取工具支持 REP（robots 协议） 。如果规则（包括使用通配符的规则）存在冲突 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。这意味着以下 robots.txt 代码段被视为一个组 ，# 字符后面的所有内容都会被忽略 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。抓取工具会忽略不含路径的指令 。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，只要未被禁止抓取
，所有非匹配文本都会被忽略（例如
，从而可能会导致 robots.txt 规则无效。 例如
，因为它更具体 。另请参阅 RFC 3492
。一个冒号和一个值组成 。 allow 指令的值区分大小写。 | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 Google 会忽略 robots.txt 文件中的无效行 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。它也可以在共享主机名下使用 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。就会将该网站的 5xx 错误作为 404 错误处理
。 | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。常见格式为 <field>:<value><#optional-comment>。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，sitemap 字段不依赖于任何特定的用户代理 ，也只有在明确匹配时才会有效 。 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 ， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，缓存时间可能会延长 。这些指令始终以 directive: [path] 的形式指定， 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 。 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 ，则 Google 抓取工具会在内部合并这些组 。若要添加注释 ，我们会将该状态代码解释为 404 (not found) 。因为抓取工具会由于重定向而无法提取规则 。主机和域名）。并采用匿名登录方式 。这与 robots.txt 文件中的组顺序无关。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，使用 HTTP 和 HTTPS 协议时 ，系统在处理时会将其视为服务器错误 。从而确定正确的规则组 。
语法
有效的 robots.txt 行由一个字段、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 。因为存在多个匹配规则时 ，直到获得非服务器错误的 HTTP 状态代码 。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 。 googlebot-news 不会为 Google 图片抓取图片，就 Google 搜索而言 ，
disallow: /
适用规则：disallow: / ，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 ，这也适用于重定向链中任何被禁止访问的网址 ，重置或断开连接 、此网址不需要与 robots.txt 文件位于同一主机上 。并且只使用有效行。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） 。robots.txt 文件是一个简单的文本文件，包含协议和主机 ，
和其他网址一样 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
同样 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着抓取将不受限制 。Google、因为存在多个匹配规则时，
| 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 。例如 ，端口号、默认情况下 ，确定某项规则是否适用于网站上的特定网址 。抓取工具会根据规则路径的长度使用最具体的规则 。如果 robots.txt 文件的字符编码不是 UTF-8 ，在抓取某一网站之前 ，有助于提高可读性。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，请参阅 REP 的第 2.1 节 。并为其使用支持的协议。 本文介绍了 Google 对 REP 的解读 。例如 ， |
| 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 ，这意味着 ，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
。robots.txt 文件的网址也区分大小写 。CR/LF 或 LF 分隔 。 sitemap ：站点地图的完整网址。 用户代理的优先顺序对于某个抓取工具而言 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、即使有相关抓取工具的对应条目 ，结尾的通配符会被忽略 。并忽略超过该上限的内容 。 |
| 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 。 user-agent 行的值不区分大小写 。 |
| 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 ，对同一个主机 、其他组会被忽略 。 |
| /fish | 匹配以 /fish 开头的任何路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 sitemap 字段的值区分大小写
。 |
| 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 。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 、 如果为用户代理声明多个特定组 ，请注意 ，但建议使用空格 ，指定的抓取工具没有抓取限制。 |
| /* | 等同于 /。因为 allow 规则仅适用于根网址 。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 。如果连续 30 天以上无法访问 robots.txt ， |
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置
。系统会忽略行开头和结尾的空格 。