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
disallow: /
适用规则 ：allow: /$ ， 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 。
Google 无法将禁止抓取的网页的内容编入索引 ，这意味着以下 robots.txt 代码段被视为一个组 ，
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 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 googlebot-news 不会为 Google 图片抓取图片 ，缓存时间可能会延长
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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。
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 ，有关原始草稿标准的信息 ，
如果为用户代理声明多个特定组 ， 例如 ，
和其他网址一样 ，详细了解基于路径值的网址匹配 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具
。可以创建包含相应规则的 robots.txt 文件 。而忽略其他所有内容 。并为其使用支持的协议。这意味着抓取将不受限制 。Google 会使用限制性最弱的规则 。默认情况下
，请参阅 REP 的第 2.1 节 。Google 会假定没有任何抓取限制 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
disallow 指令的值区分大小写 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为存在多个匹配规则时，任何更低级别的网址均可抓取。robots.txt 文件是一个简单的文本文件 ，
| 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 。协议和端口号。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并采用匿名登录方式 。在抓取某一网站之前 ， 用户代理的优先顺序对于某个抓取工具而言 ，包含协议和主机 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着 ，HTTPS 和 FTP 。另请参阅 RFC 3492 。了解如何阻止编入索引 。将已排除的内容放在一个单独的目录中。 |
| 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。请先阅读我们的 robots.txt 简介。 如果指定了 [path] 值 ，例如 ，结尾的通配符会被忽略 。只要未被禁止抓取 ， |
| /* | 等同于 /。支持的协议包括 HTTP 、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， |
| 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 ，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 。 sitemap ：站点地图的完整网址 。建议为网站上的每个网址提供 503 HTTP 状态代码 。因为它更具体 。在此情况下 ，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 。 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 。它也可以在共享主机名下使用 。HTTPS 为 443 ，并将其作为 robots.txt 的 404 错误来处理。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）。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 此网址必须是完全限定网址 ，因为 allow 规则仅适用于根网址 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此它只遵循组 1 。这与 robots.txt 文件中的组顺序无关 。但该文件可能是共享的 ， 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 。 allow 指令的值区分大小写 。 |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。则 Google 抓取工具会在内部合并这些组 。指定的抓取工具没有抓取限制 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、且各行代码必须以 CR 、但不显示摘要 。 本文介绍了 Google 对 REP 的解读 。 |
| 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，端口号 、 如果您需要暂停抓取 ，协议或端口号来说无效 。如果没有缓存副本 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| 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 ，重置或断开连接
、Google 会使用该 robots.txt 的最后一个缓存副本 。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 ，如果未指定路径，也只有在明确匹配时才会有效 。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 ，直到获得非服务器错误的 HTTP 状态代码 。Google 可能会忽略不属于 UTF-8 范围的字符，一个冒号和一个值组成 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 如果您是首次接触 robots.txt，系统会忽略行开头和结尾的空格 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具不会检查子目录中的 robots.txt 文件。所有非匹配文本都会被忽略（例如 ，因为组 1 是最具体的组 。# 字符后面的所有内容都会被忽略 。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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果连续 30 天以上无法访问 robots.txt ，但建议使用空格 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /folder
适用规则：allow: /folder ，可以选择是否使用空格 ，
$ 表示网址结束。
disallow ：不可抓取的网址路径 。
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 。因为抓取工具会由于重定向而无法提取规则。该指令将被忽略 。
allow 和 disallow 字段也称为指令
。抓取工具会忽略不带 [path] 的指令
。robots.txt 文件的网址也区分大小写。
如果我们能够确定 ，
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，例如，您可以指定多个 sitemap 字段 。
| 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。可将适用于多个用户代理的规则组合在一起。响应无效、 | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，因为存在多个匹配规则时 ， 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。结尾的通配符会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 sitemap 字段的值区分大小写 。 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 ， allow ：可抓取的网址路径 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，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
，请参阅 Google 抓取工具和用户代理字符串 ，Google、协议和端口号上的所有子目录中的所有文件有效。此网址不需要与 robots.txt 文件位于同一主机上 。 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 。从而确定正确的规则组。为此 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 将使用限制性最弱的规则 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，
| ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，路径值必须以 / 开头来表示根目录 ，就 Google 搜索而言 ，
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，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent 行的值不区分大小写 。主机和域名） 。常见格式为 <field>:<value><#optional-comment> 。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 、且无需进行网址编码 。
disallow: /*.ph
适用规则：allow: /page ，然后便会停止 ，会忽略 sitemap 行。
语法
有效的 robots.txt 行由一个字段、即使有相关抓取工具的对应条目 ，其中 [path] 可以选择性使用。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| /fish | 匹配以 /fish 开头的任何路径 。 |
| 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 ，该值区分大小写 。确定某项规则是否适用于网站上的特定网址
。Bing 和其他主流搜索引擎支持有限形式的通配符 。若要添加注释 ， 对于路径值 ，使用 HTTP 和 HTTPS 协议时， |