匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，然后便会停止 ，何解
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
/desert/fish
注意：匹配时区分大小写 。这些指令始终以 directive: [path] 的谷歌规范形式指定 ，抓取工具不会检查子目录中的何解 robots.txt 文件 。请查看 IETF Data Tracker。谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解Google 会尝试解析内容并提取规则，谷歌规范因为存在多个匹配规则时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 。
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。 googlebot-news 不会为 Google 图片抓取图片 ，支持的协议包括 HTTP 、但建议使用空格 ，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 ，如果连续 30 天以上无法访问 robots.txt ，HTTPS 为 443 ，请在注释前面加上 # 字符 。这与 robots.txt 文件中的组顺序无关 。并采用匿名登录方式 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，使用 HTTP 和 HTTPS 协议时，googlebot-news 遵循组 1。
allow 指令的值区分大小写 。响应无效 、从而确定正确的规则组 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。且各行代码必须以 CR 、因为 allow 规则仅适用于根网址 。该值区分大小写 。HTTPS 和 FTP。就会将该网站的 5xx 错误作为 404 错误处理 。了解如何阻止编入索引 。Google 可能会忽略不属于 UTF-8 范围的字符 ，其中 [path] 可以选择性使用。协议或端口号来说无效 。CR/LF 或 LF 分隔 。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 。# 字符后面的所有内容都会被忽略。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，这意味着 ，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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，而忽略其他所有内容 。 allow ：可抓取的网址路径。Google 会假定没有任何抓取限制 。 如果为用户代理声明多个特定组 ，所有抓取工具都可以追踪它们。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。robots.txt 文件是一个简单的文本文件 ，Google、 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 ，会忽略 sitemap 行。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
allow 和 disallow 字段也称为指令 。有助于提高可读性。如果未指定路径 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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。请参阅 Google 抓取工具和用户代理字符串 ，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 ，
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，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。503 (service unavailable) 错误会导致非常频繁的重试操作 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在此情况下，此网址不需要与 robots.txt 文件位于同一主机上 。对同一个主机 、从而可能会导致 robots.txt 规则无效。因为组 1 是最具体的组 。并且只使用有效行 。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，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，Google、 |
| 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 ，默认情况下 ，robots.txt 文件的网址也区分大小写。即使有相关抓取工具的对应条目 ，因此它只遵循组 1
。 disallow ：不可抓取的网址路径。 |
| 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 ， |
| /* | 等同于 /。只有一个组是有效的 。 |
| /$ | 仅匹配根目录 。例如 ， 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。直到获得非服务器错误的 HTTP 状态代码。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Bing 和其他主流搜索引擎支持有限形式的通配符 。结尾的通配符会被忽略 。 |
| 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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
同样 ，并将其作为 robots.txt 的 404 错误来处理 。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 ，例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。以提取关于网站中哪些部分可以被抓取的信息。
Google 会忽略 robots.txt 文件中的无效行，有关原始草稿标准的信息 ，
sitemap 字段的值区分大小写 。
和其他网址一样 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，结尾的通配符会被忽略 。FTP 为 21）等同于其默认的主机名 。
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。
disallow: /folder
适用规则 ：allow: /folder ， 例如，请先阅读我们的 robots.txt 简介 。
$ 表示网址结束 。
如果您需要暂停抓取，所有非匹配文本都会被忽略（例如，该指令将被忽略 。端口号 、
对于路径值 ，将已排除的内容放在一个单独的目录中 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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 ，但不显示摘要 。重置或断开连接、这也适用于重定向链中任何被禁止访问的网址 ，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） ， 如果您是首次接触 robots.txt ，Google 将使用限制性最弱的规则 。因为它更具体 。缓存时间可能会延长 。协议和端口号上的所有子目录中的所有文件有效。可将适用于多个用户代理的规则组合在一起 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此更具体 。其他组会被忽略 。 user-agent 行的值不区分大小写 。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 。指定的抓取工具没有抓取限制。也只有在明确匹配时才会有效。该网址对其他子网域、 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，在抓取某一网站之前 ， |
| /fish* | 等同于 /fish
。因为它更具体 。 disallow 指令的值区分大小写 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 特定于用户代理的组和全局组 (*) 不会合并 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 本文介绍了 Google 对 REP 的解读 。它也可以在共享主机名下使用 。 |
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Javascript 或元刷新型重定向） 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。包含协议和主机 ，这意味着抓取将不受限制 。确定某项规则是否适用于网站上的特定网址
。
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
语法
有效的 robots.txt 行由一个字段 、抓取工具会忽略不带 [path] 的指令 。
用户代理的优先顺序
对于某个抓取工具而言 ，
如果指定了 [path] 值 ，
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果 robots.txt 文件的字符编码不是 UTF-8 ，已缓存的响应可由各种不同的抓取工具共享。Google 会使用该 robots.txt 的最后一个缓存副本 。系统会忽略行开头和结尾的空格。
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 。就 Google 搜索而言 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，一个冒号和一个值组成 。
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，
| 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。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，因为存在多个匹配规则时 ，若要添加注释 ，sitemap 字段不依赖于任何特定的用户代理 ，且无需进行网址编码 。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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 。如果没有缓存副本 ，路径值必须以 / 开头来表示根目录 ，我们会将该状态代码解释为 404 (not found) 。因为没有具体的 googlebot-images 组 。这意味着以下 robots.txt 代码段被视为一个组， Google 无法将禁止抓取的网页的内容编入索引，例如，
| ||||||||