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
/desert/fish
注意：匹配时区分大小写。指定的何解抓取工具没有抓取限制 。并将其作为 robots.txt 的谷歌规范 404 错误来处理 。因此更具体 。何解
示例
user-agent 字段的谷歌规范匹配情况
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 ，CR/LF 或 LF 分隔 。何解重置或断开连接 、谷歌规范 |
| /fish* | 等同于 /fish 。何解 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，谷歌规范Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组，# 字符后面的谷歌规范所有内容都会被忽略。 如果我们能够确定 ，何解 |
| /fish | 匹配以 /fish 开头的谷歌规范任何路径 。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| 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 。 |
| /* | 等同于 / 。可将适用于多个用户代理的规则组合在一起。其中 [path] 可以选择性使用。且无需进行网址编码。请注意 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。HTTP 组块错误等）而无法抓取的 robots.txt 文件， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。这意味着 ，请参阅 Google 抓取工具和用户代理字符串，其他组会被忽略 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 |
| 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 。 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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。包含协议和主机，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 此网址必须是完全限定网址 ， Google 无法将禁止抓取的网页的内容编入索引， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，路径值必须以 / 开头来表示根目录 ，然后便会停止 ，您还可以找到关于创建 robots.txt 文件的提示 ，但该文件可能是共享的 ，可以创建包含相应规则的 robots.txt 文件 。 disallow 指令的值区分大小写 。并忽略超过该上限的内容 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。这意味着以下 robots.txt 代码段被视为一个组，协议和端口号 。已缓存的响应可由各种不同的抓取工具共享 。 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，请参阅 REP 的第 2.1 节 。 |
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 遵循组 1。直到获得非服务器错误的 HTTP 状态代码 。端口号、则 Google 抓取工具会在内部合并这些组 。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。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，以提取关于网站中哪些部分可以被抓取的信息 。但不显示摘要 。
Google 会忽略 robots.txt 文件中的无效行 ， googlebot-news 不会为 Google 图片抓取图片，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
user-agent 行的值不区分大小写 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、了解如何阻止编入索引 。协议和端口号上的所有子目录中的所有文件有效 。
| 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 。Javascript 或元刷新型重定向）
。 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，将已排除的内容放在一个单独的目录中 。Google 、而忽略其他所有内容 。Google 将使用限制性最弱的规则 。503 (service unavailable) 错误会导致非常频繁的重试操作。 sitemap 字段的值区分大小写 。有助于提高可读性 。例如 ，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 ，就 Google 搜索而言 ，该值区分大小写。一个冒号和一个值组成 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。sitemap 字段不依赖于任何特定的用户代理，使用 HTTP 和 HTTPS 协议时，并且只使用有效行 。在此情况下 ，该网址对其他子网域 、 和其他网址一样
，以及一个详尽的常见问题解答列表
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。从而确定正确的规则组 。协议或端口号来说无效。这也适用于重定向链中任何被禁止访问的网址 ，Google 会尝试抓取 robots.txt 文件 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并为其使用支持的协议
。但建议使用空格 ，支持的协议包括 HTTP 、 $ 表示网址结束 。 allow 指令的值区分大小写 。因为没有具体的 googlebot-images 组
。在抓取某一网站之前 ，FTP 为 21）等同于其默认的主机名 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，缓存时间可能会延长 。
语法
有效的 robots.txt 行由一个字段 、您可以指定多个 sitemap 字段 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，主机和域名） 。结尾的通配符会被忽略
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。例如
，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 。我们会将该状态代码解释为 404 (not found)
。任何更低级别的网址均可抓取 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，确定某项规则是否适用于网站上的特定网址 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
本文介绍了 Google 对 REP 的解读 。
allow 和 disallow 字段也称为指令。对同一个主机 、请先阅读我们的 robots.txt 简介 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
disallow: /folder
适用规则：allow: /folder，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，若要添加注释 ，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 。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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。所有非匹配文本都会被忽略（例如，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
user-agent
user-agent 行用来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
用户代理的优先顺序
对于某个抓取工具而言 ，
allow ：可抓取的网址路径 。Google 会使用限制性最弱的规则。
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。robots.txt 文件是一个简单的文本文件 ， 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 。 对于路径值，请在注释前面加上 # 字符 。 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 ，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。如果规则（包括使用通配符的规则）存在冲突 ，请查看 IETF Data Tracker 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，默认情况下 ， | ||||
| /$ | 仅匹配根目录 。Google 、 如果您需要暂停抓取 ，也只有在明确匹配时才会有效 。因为它与网址中的字符匹配得更多， 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 ，即使有相关抓取工具的对应条目 ，因为它更具体 。 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，详细了解基于路径值的网址匹配 。只要未被禁止抓取 ，因为存在多个匹配规则时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为它更具体。如果没有缓存副本 ，Google 会尝试解析内容并提取规则，系统会忽略行开头和结尾的空格 。HTTPS 和 FTP 。例如 ，因此它只遵循组 1 。有关原始草稿标准的信息 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 如果为用户代理声明多个特定组 ， | ||||
| 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 。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、Google 可能会忽略不属于 UTF-8 范围的字符 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着抓取将不受限制 。为此 ，另请参阅 RFC 3492 。 | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ，例如 ，这与 robots.txt 文件中的组顺序无关 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||
| Googlebot（网络） | googlebot 遵循组 3。Google 会假定没有任何抓取限制 。从而可能会导致 robots.txt 规则无效。Google 会使用限制性最弱的规则 。因为抓取工具会由于重定向而无法提取规则。可以选择是否使用空格 ， 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 。所有抓取工具都可以追踪它们
。如果未指定路径
，HTTPS 为 443 ，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 ，只有一个组是有效的 。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 。且各行代码必须以 CR 、
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 ，会忽略 sitemap 行 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。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）。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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ，因为存在多个匹配规则时 ， 如果您是首次接触 robots.txt ， sitemap ：站点地图的完整网址
。就会将该网站的 5xx 错误作为 404 错误处理
。robots.txt 文件的网址也区分大小写。常见格式为 <field>:<value><#optional-comment> 。 | ||||