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，系统会忽略行开头和结尾的何解空格 。
同样 ，谷歌规范
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范因此更具体 。何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，常见格式为 <field>:<value><#optional-comment>。何解因为 allow 规则仅适用于根网址 。谷歌规范
disallow: /
适用规则 ：disallow: /，何解因为没有具体的谷歌规范 googlebot-images 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 、例如 ， googlebot-news 不会为 Google 图片抓取图片 ，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 。Google 、
| 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
。 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，因为抓取工具会由于重定向而无法提取规则 。例如 ，Google 将使用限制性最弱的规则 。结尾的通配符会被忽略。 sitemap 字段的值区分大小写 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||
| 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。 | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，使用 HTTP 和 HTTPS 协议时，这些指令始终以 directive: [path] 的形式指定 ，因为存在多个匹配规则时，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，有关原始草稿标准的信息 ，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 ，抓取工具会忽略不带 [path] 的指令。并采用匿名登录方式。 本文介绍了 Google 对 REP 的解读 。Google 、请先阅读我们的 robots.txt 简介。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。该网址对其他子网域 、直到获得非服务器错误的 HTTP 状态代码。这意味着 ，其中 [path] 可以选择性使用。因为它更具体。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||
| 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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容 。Google 可能会忽略不属于 UTF-8 范围的字符 ，所有抓取工具都可以追踪它们 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Javascript 或元刷新型重定向） 。googlebot-news 遵循组 1 。即使有相关抓取工具的对应条目 ，该值区分大小写 。抓取工具会忽略不含路径的指令。 和其他网址一样， disallow 指令的值区分大小写 。 此网址必须是完全限定网址
，也只有在明确匹配时才会有效 。所有非匹配文本都会被忽略（例如，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，sitemap 字段不依赖于任何特定的用户代理 ， | ||||
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
语法
有效的 robots.txt 行由一个字段、
disallow ：不可抓取的网址路径 。可将适用于多个用户代理的规则组合在一起 。并且只使用有效行 。确定某项规则是否适用于网站上的特定网址 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
Google 无法将禁止抓取的网页的内容编入索引，
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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
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 。协议或端口号来说无效 。但建议使用空格 ，路径值必须以 / 开头来表示根目录 ，请在注释前面加上 # 字符。
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 ，若要添加注释 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。它也可以在共享主机名下使用。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就会将该网站的 5xx 错误作为 404 错误处理 。从而可能会导致 robots.txt 规则无效 。
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，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 ，且各行代码必须以 CR 、
disallow: /*.ph
适用规则 ：allow: /page，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
allow 和 disallow 字段也称为指令 。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 。结尾的通配符会被忽略 。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） 。有助于提高可读性。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 。从而确定正确的规则组 。# 字符后面的所有内容都会被忽略 。因此它只遵循组 1 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。协议和端口号。其他组会被忽略。另请参阅 RFC 3492。
$ 表示网址结束 。
| 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，将已排除的内容放在一个单独的目录中 。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） ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，只要未被禁止抓取 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。建议为网站上的每个网址提供 503 HTTP 状态代码 。如果连续 30 天以上无法访问 robots.txt ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。这意味着抓取将不受限制
。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为它更具体
。Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着以下 robots.txt 代码段被视为一个组 ， allow：可抓取的网址路径。 如果为用户代理声明多个特定组，只有一个组是有效的。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
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 。任何更低级别的网址均可抓取 。然后便会停止 ，
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。robots.txt 文件的网址也区分大小写 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、默认情况下 ，响应无效 、 如果指定了 [path] 值 ，例如 ，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 。Google 会使用限制性最弱的规则 。 对于路径值 ，请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||||||||
| 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， sitemap ：站点地图的完整网址 。详细了解基于路径值的网址匹配 。抓取工具会根据规则路径的长度使用最具体的规则。 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||||||||||||||||
| 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
，以提取关于网站中哪些部分可以被抓取的信息 。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
，此网址不需要与 robots.txt 文件位于同一主机上 。HTTPS 和 FTP 。 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
。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 特定于用户代理的组和全局组 (*) 不会合并 。因为组 1 是最具体的组 。Bing 和其他主流搜索引擎支持有限形式的通配符 。我们会将该状态代码解释为 404 (not found) 。Google 会尝试抓取 robots.txt 文件，Google 会尝试解析内容并提取规则 ，主机和域名）。您还可以找到关于创建 robots.txt 文件的提示 ， 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：
| ||||||||||||||||||||||