匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，何解并忽略超过该上限的谷歌规范内容。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
allow 指令的谷歌规范值区分大小写 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。
disallow: /*.ph
适用规则 ：allow: /page，谷歌规范
语法
有效的何解 robots.txt 行由一个字段、可以选择是谷歌规范否使用空格 ，
disallow 指令的何解值区分大小写 。在抓取某一网站之前 ，谷歌规范包含协议和主机，何解
user-agent 行的谷歌规范值不区分大小写。常见格式为 <field>:<value><#optional-comment>。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，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），路径值必须以 / 开头来表示根目录 ，因为抓取工具会由于重定向而无法提取规则。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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、会忽略 sitemap 行 。可以创建包含相应规则的 robots.txt 文件 。# 字符后面的所有内容都会被忽略 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，重置或断开连接、直到获得非服务器错误的 HTTP 状态代码
。
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 。这意味着，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，
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 。有关原始草稿标准的信息 ，协议和端口号 。robots.txt 文件是一个简单的文本文件，如果连续 30 天以上无法访问 robots.txt，因为它与网址中的字符匹配得更多，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。该值区分大小写。抓取工具不会检查子目录中的 robots.txt 文件 。
allow ：可抓取的网址路径。Google 会尝试抓取 robots.txt 文件 ，
用户代理的优先顺序
对于某个抓取工具而言 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。 如果您是首次接触 robots.txt ，因为存在多个匹配规则时 ，我们会将该状态代码解释为 404 (not found) 。而忽略其他所有内容 。请在注释前面加上 # 字符 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，从而可能会导致 robots.txt 规则无效。对同一个主机、
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。响应无效 、 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||
| 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 ， 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 Google 会暂时将服务器错误解读为网站完全禁止访问。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 、在此情况下，Google 将使用限制性最弱的规则 。Google 会使用限制性最弱的规则 。 sitemap 字段的值区分大小写 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， $ 表示网址结束 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 ， | ||||||||||||||||
| /$ | 仅匹配根目录 。您还可以找到关于创建 robots.txt 文件的提示 ， 此网址必须是完全限定网址 ，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 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，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）
。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 ，则 Google 抓取工具会在内部合并这些组。Google 会使用限制性最弱的规则。该指令将被忽略 。且无需进行网址编码 。一个冒号和一个值组成 。因为 allow 规则仅适用于根网址 。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 ，并为其使用支持的协议 。 本文介绍了 Google 对 REP 的解读。 | ||||||||||||||||
| 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 ， 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 ，从而确定正确的规则组 。这意味着以下 robots.txt 代码段被视为一个组 ，详细了解基于路径值的网址匹配 。抓取工具会忽略不含路径的指令。然后便会停止，例如 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， 对于路径值 ，请注意 ，它也可以在共享主机名下使用。Javascript 或元刷新型重定向） 。其他组会被忽略 。抓取工具会使用标准 RETR (RETRIEVE) 命令，使用 HTTP 和 HTTPS 协议时 ，例如 ，并采用匿名登录方式 。Google 会假定没有任何抓取限制 。 disallow ：不可抓取的网址路径 。但该文件可能是共享的 ，系统在处理时会将其视为服务器错误 。但不显示摘要 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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。结尾的通配符会被忽略
。HTTPS 为 443 ，就 Google 搜索而言 ，其中 [path] 可以选择性使用。将已排除的内容放在一个单独的目录中
。系统会忽略行开头和结尾的空格
。Google 会尝试解析内容并提取规则
，如果未指定路径 ，请参阅 REP 的第 2.1 节
。主机和域名） 。如果下载的内容是 Html 格式而非 robots.txt 规则，
用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||
| 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 。Google 、 Google 会忽略 robots.txt 文件中的无效行
，只要未被禁止抓取 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。CR/LF 或 LF 分隔。抓取工具会根据规则路径的长度使用最具体的规则。 allow 和 disallow 字段也称为指令 。因为没有具体的 googlebot-images 组 。以及一个详尽的常见问题解答列表 。并将其作为 robots.txt 的 404 错误来处理。 | ||||||||||||||||
| 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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。结尾的通配符会被忽略 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 如果您需要暂停抓取， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||
| 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
。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 。如果没有缓存副本
， 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 ，sitemap 字段不依赖于任何特定的用户代理 ， sitemap ：站点地图的完整网址 。默认情况下 ， 如果指定了 [path] 值 ，任何更低级别的网址均可抓取 。HTTP 组块错误等）而无法抓取的 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 ，该网址对其他子网域 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，以提取关于网站中哪些部分可以被抓取的信息 。例如，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。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 ， 特定于用户代理的组和全局组 (*) 不会合并 。协议或端口号来说无效 。指定的抓取工具没有抓取限制 。但建议使用空格 ，为此
，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 。因为它更具体 。 Google 的自动抓取工具支持 REP（robots 协议） 。另请参阅 RFC 3492 。此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 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 ：
| ||||||||||||||||