| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| 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，# 字符后面的所有内容都会被忽略。 如果您是首次接触 robots.txt ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这意味着以下 robots.txt 代码段被视为一个组，请先阅读我们的 robots.txt 简介
。 特定于用户代理的组和全局组 (*) 不会合并 。常见格式为 <field>:<value><#optional-comment> 。有关原始草稿标准的信息 ，CR/LF 或 LF 分隔。Javascript 或元刷新型重定向） 。例如 ，您可以指定多个 sitemap 字段。并将其作为 robots.txt 的 404 错误来处理 。
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
和其他网址一样，只有一个组是有效的
。默认情况下 ，已缓存的响应可由各种不同的抓取工具共享 。如果未指定路径 ，因为抓取工具会由于重定向而无法提取规则 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /
适用规则 ：allow: /$，为此 ，主机和域名） 。这些指令始终以 directive: [path] 的形式指定 ，系统会忽略行开头和结尾的空格 。所有抓取工具都可以追踪它们。若要添加注释 ，这意味着抓取将不受限制。其中 [path] 可以选择性使用 。
disallow：不可抓取的网址路径 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。因此它只遵循组 1 。
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
同样，详细了解基于路径值的网址匹配 。
sitemap 字段的值区分大小写 。Google 会使用限制性最弱的规则 。
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 。robots.txt 文件是一个简单的文本文件 ，然后便会停止 ，例如 ，
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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，如果规则（包括使用通配符的规则）存在冲突 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，协议和端口号 。可以创建包含相应规则的 robots.txt 文件 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，确定某项规则是否适用于网站上的特定网址 。结尾的通配符会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。协议和端口号上的所有子目录中的所有文件有效 。
allow 指令的值区分大小写 。包含协议和主机 ，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 ，
$ 表示网址结束 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为存在多个匹配规则时 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。协议或端口号来说无效
。
如果我们能够确定 ，
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 。将已排除的内容放在一个单独的目录中 。就会将该网站的 5xx 错误作为 404 错误处理。
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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 对于路径值 ，则 Google 抓取工具会在内部合并这些组。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请参阅 REP 的第 2.1 节。 disallow 指令的值区分大小写 。 | ||||||
| /$ | 仅匹配根目录 。 allow ：可抓取的网址路径。HTTPS 和 FTP 。 如果为用户代理声明多个特定组 ，以及一个详尽的常见问题解答列表 。从而可能会导致 robots.txt 规则无效 。该指令将被忽略 。 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 。响应无效 、端口号 、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，可将适用于多个用户代理的规则组合在一起。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果没有缓存副本 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，以提取关于网站中哪些部分可以被抓取的信息。 | ||||||
| /* | 等同于 /。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，Bing 和其他主流搜索引擎支持有限形式的通配符 。 本文介绍了 Google 对 REP 的解读 。它也可以在共享主机名下使用。该值区分大小写 。 Google 的自动抓取工具支持 REP（robots 协议）。因为 allow 规则仅适用于根网址。googlebot-news 遵循组 1。 | ||||||
| 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 ，请注意
，所有非匹配文本都会被忽略（例如，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， sitemap：站点地图的完整网址 。在抓取某一网站之前 ，就 Google 搜索而言 ，对同一个主机 、另请参阅 RFC 3492 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这意味着 ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，会忽略 sitemap 行。我们会将该状态代码解释为 404 (not found) 。可以选择是否使用空格，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 。缓存时间可能会延长 。 如果您需要暂停抓取 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， | ||||||
Google 会忽略 robots.txt 文件中的无效行 ，
disallow: /folder
适用规则 ：allow: /folder ，如果 robots.txt 文件的字符编码不是 UTF-8 ，而忽略其他所有内容 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
Google 无法将禁止抓取的网页的内容编入索引 ，因为组 1 是最具体的组 。且无需进行网址编码 。建议为网站上的每个网址提供 503 HTTP 状态代码 。请查看 IETF Data Tracker。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 会使用该 robots.txt 的最后一个缓存副本 。路径值必须以 / 开头来表示根目录 ， 例如 ，但该文件可能是共享的 ，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 。
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。
用户代理的优先顺序
对于某个抓取工具而言 ，在此情况下，
user-agent 行的值不区分大小写 。
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，
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 。Google 会尝试抓取 robots.txt 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 ，
如果指定了 [path] 值 ，Google 会尝试解析内容并提取规则 ，
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 。robots.txt 文件的网址也区分大小写 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 ，Google 、Google 抓取工具会下载并解析该网站的 robots.txt 文件，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、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 ，
| 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 。 此网址必须是完全限定网址 ， 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 。并采用匿名登录方式 。请参阅 Google 抓取工具和用户代理字符串
，系统在处理时会将其视为服务器错误。 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 ， |
| /fish* | 等同于 /fish 。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 ，语法有效的 robots.txt 行由一个字段、如果下载的内容是 Html 格式而非 robots.txt 规则 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 。任何更低级别的网址均可抓取 。支持的协议包括 HTTP、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 ，因为存在多个匹配规则时， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 。此网址不需要与 robots.txt 文件位于同一主机上。直到获得非服务器错误的 HTTP 状态代码 。有助于提高可读性。例如 ，结尾的通配符会被忽略
。并且只使用有效行 。 |