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
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。 $ 表示网址结束 。这意味着以下 robots.txt 代码段被视为一个组
，如果没有缓存副本
，并忽略超过该上限的内容 。也只有在明确匹配时才会有效
。即使有相关抓取工具的对应条目 ，这些指令始终以 directive: [path] 的形式指定，Google 会尝试抓取 robots.txt 文件， |
| /*.php$ | 匹配以 .php 结尾的任何路径
。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因为组 1 是最具体的组。该指令将被忽略 。 disallow ：不可抓取的网址路径 。任何更低级别的网址均可抓取 。因为存在多个匹配规则时 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 。因此更具体。 googlebot-news 不会为 Google 图片抓取图片 ，可以创建包含相应规则的 robots.txt 文件 。协议和端口号上的所有子目录中的所有文件有效 。响应无效、
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 ，但该文件可能是共享的 ，robots.txt 文件是一个简单的文本文件，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 ，并将其作为 robots.txt 的 404 错误来处理 。因为它与网址中的字符匹配得更多 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为抓取工具会由于重定向而无法提取规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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 ， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，在抓取某一网站之前 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。Google 可能会忽略不属于 UTF-8 范围的字符，使用 HTTP 和 HTTPS 协议时，确定某项规则是否适用于网站上的特定网址。直到获得非服务器错误的 HTTP 状态代码 。 如果指定了 [path] 值，例如 ，这意味着 ，但不显示摘要。 同样 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，会忽略 sitemap 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 ，就会将该网站的 5xx 错误作为 404 错误处理 。协议和端口号。HTTPS 和 FTP 。已缓存的响应可由各种不同的抓取工具共享 。 本文介绍了 Google 对 REP 的解读 。但建议使用空格 ，系统在处理时会将其视为服务器错误 。 | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
Google 无法将禁止抓取的网页的内容编入索引 ，指定的抓取工具没有抓取限制 。然后便会停止 ，
如果为用户代理声明多个特定组 ，
# 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 ，以提取关于网站中哪些部分可以被抓取的信息 。其他组会被忽略 。
disallow: /
适用规则：allow: /$ ，
如果您需要暂停抓取 ，请查看 IETF Data Tracker。
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 。详细了解基于路径值的网址匹配 。Google、Bing 和其他主流搜索引擎支持有限形式的通配符 。可以选择是否使用空格 ，因为 allow 规则仅适用于根网址 。端口号 、结尾的通配符会被忽略 。
disallow: /*.ph
适用规则：allow: /page ，有助于提高可读性。Google 将使用限制性最弱的规则 。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） 。Google 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap：站点地图的完整网址 。这也适用于重定向链中任何被禁止访问的网址 ，FTP 为 21）等同于其默认的主机名 。
匹配项：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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，该值区分大小写 。
allow 和 disallow 字段也称为指令 。
user-agent 行的值不区分大小写 。这与 robots.txt 文件中的组顺序无关 。系统会忽略行开头和结尾的空格
。抓取工具会忽略不带 [path] 的指令。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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，并且只使用有效行 。 如果您是首次接触 robots.txt ，
| 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 。 | ||||
| Googlebot Images | googlebot-images 遵循组 2 ，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， 和其他网址一样 ，Google 会假定没有任何抓取限制。且无需进行网址编码。您可以指定多个 sitemap 字段 。 | ||||
| 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因此它只遵循组 1 。而忽略其他所有内容 。这意味着抓取将不受限制 。例如 ， 语法有效的 robots.txt 行由一个字段 、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 、包含协议和主机 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，robots.txt 文件的网址也区分大小写 。 对于路径值 ， disallow 指令的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。您还可以找到关于创建 robots.txt 文件的提示
， | ||||
| /fish | 匹配以 /fish 开头的任何路径 。 allow ：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 。因为它更具体 。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 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 ，一个冒号和一个值组成 。 | ||||
| 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 。了解如何阻止编入索引 。路径值必须以 / 开头来表示根目录 ，缓存时间可能会延长 。 allow 指令的值区分大小写 。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 。 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。从而确定正确的规则组 。 sitemap 字段的值区分大小写 。 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 。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。 例如 ，只有一个组是有效的。 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 。 | ||||
| 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， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因为存在多个匹配规则时，
| ||||