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 ，且各行代码必须以 CR 、但不显示摘要 。
和其他网址一样 ，
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
# 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，确定某项规则是否适用于网站上的特定网址 。这也适用于重定向链中任何被禁止访问的网址
，
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
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow: /
适用规则 ：disallow: / ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
sitemap 字段的值区分大小写。默认情况下 ，可以创建包含相应规则的 robots.txt 文件 。其他组会被忽略 。HTTPS 和 FTP 。
如果您需要暂停抓取 ，这些指令始终以 directive: [path] 的形式指定 ，CR/LF 或 LF 分隔。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、主机和域名）。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，
| 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 。 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 。robots.txt 文件的网址也区分大小写 。# 字符后面的所有内容都会被忽略。 disallow 指令的值区分大小写 。 语法有效的 robots.txt 行由一个字段 、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，请先阅读我们的 robots.txt 简介 。 |
| /fish | 匹配以 /fish 开头的任何路径。且无需进行网址编码 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，所有抓取工具都可以追踪它们 。请注意 ，Google 、 |
| 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。 allow 和 disallow 字段也称为指令 。并且只使用有效行 。因为组 1 是最具体的组。另请参阅 RFC 3492 。协议和端口号 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统会忽略行开头和结尾的空格 。则 Google 抓取工具会在内部合并这些组。请在注释前面加上 # 字符 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
如果我们能够确定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，我们会将该状态代码解释为 404 (not found) 。googlebot-news 遵循组 1
。
disallow: /
适用规则：allow: /$ ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 ，结尾的通配符会被忽略 。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，常见格式为 <field>:<value><#optional-comment> 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。在抓取某一网站之前 ，使用 HTTP 和 HTTPS 协议时 ，并将其作为 robots.txt 的 404 错误来处理 。
同样 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
$ 表示网址结束 。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 。支持的协议包括 HTTP 、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 。
用户代理的优先顺序
对于某个抓取工具而言，可将适用于多个用户代理的规则组合在一起。因为它更具体 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，将已排除的内容放在一个单独的目录中。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。并采用匿名登录方式 。从而可能会导致 robots.txt 规则无效 。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 、 |
| 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 ，sitemap 字段不依赖于任何特定的用户代理 ， 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 。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） ， allow 指令的值区分大小写 。Google 将使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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。系统在处理时会将其视为服务器错误 。协议和端口号上的所有子目录中的所有文件有效 。协议或端口号来说无效 。
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 。一个冒号和一个值组成。Google 会尝试解析内容并提取规则，
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 。包含协议和主机 ， 例如 ，
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 。例如 ，
| 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 。重置或断开连接、若要添加注释 ，只有一个组是有效的 。例如 ，这意味着以下 robots.txt 代码段被视为一个组 ， |
| 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，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、抓取工具会忽略不带 [path] 的指令 。抓取工具会忽略不含路径的指令 。该指令将被忽略 。Google 、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。Google 会假定没有任何抓取限制 。如果未指定路径 ，即使有相关抓取工具的对应条目 ，例如 ，这意味着 ，已缓存的响应可由各种不同的抓取工具共享 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， Google 会忽略 robots.txt 文件中的无效行 ， 对于路径值 ，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，请参阅 Google 抓取工具和用户代理字符串，您还可以找到关于创建 robots.txt 文件的提示 ，路径值必须以 / 开头来表示根目录， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 如果指定了 [path] 值 ，因为存在多个匹配规则时 ，端口号 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，缓存时间可能会延长 。 user-agent 行的值不区分大小写 。 |
| /*.php | 匹配包含 .php 的任何路径
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，直到获得非服务器错误的 HTTP 状态代码。 allow ：可抓取的网址路径。 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 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，就会将该网站的 5xx 错误作为 404 错误处理
。Google 会使用限制性最弱的规则。因为存在多个匹配规则时 ，在此情况下，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。抓取工具会使用标准 RETR (RETRIEVE) 命令，以提取关于网站中哪些部分可以被抓取的信息 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，抓取工具会根据规则路径的长度使用最具体的规则 。所有非匹配文本都会被忽略（例如 ，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 。Google 会尝试抓取 robots.txt 文件，因为抓取工具会由于重定向而无法提取规则。有关原始草稿标准的信息 ，
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，HTTPS 为 443 ， Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用限制性最弱的规则 。 googlebot-news 不会为 Google 图片抓取图片 ，您可以指定多个 sitemap 字段 。可以选择是否使用空格 ， | ||||||||||
| 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 。结尾的通配符会被忽略
。robots.txt 文件是一个简单的文本文件
，
Google 无法将禁止抓取的网页的内容编入索引 ，FTP 为 21）等同于其默认的主机名 。如果连续 30 天以上无法访问 robots.txt，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，了解如何阻止编入索引 。因为它与网址中的字符匹配得更多 ，并为其使用支持的协议。 本文介绍了 Google 对 REP 的解读 。就 Google 搜索而言 ，请查看 IETF Data Tracker 。对同一个主机 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。 | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm，Javascript 或元刷新型重定向） 。 | ||||||||||