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
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，该指令将被忽略 。谷歌规范例如 ，何解但可能仍会将其网址编入索引并将其显示在搜索结果中
，谷歌规范了解如何阻止编入索引 。何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解这意味着抓取将不受限制
。谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM)，获取可在 robots.txt 文件中使用的谷歌规范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何解路径 。
示例
user-agent 字段的谷歌规范匹配情况
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，因为存在多个匹配规则时 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，默认情况下，建议为网站上的每个网址提供 503 HTTP 状态代码。此网址不需要与 robots.txt 文件位于同一主机上 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。HTTP 组块错误等）而无法抓取的 robots.txt 文件，如果 robots.txt 文件的字符编码不是 UTF-8 ， |
| 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， 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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
disallow: /folder
适用规则 ：allow: /folder，
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 。因为存在多个匹配规则时 ，
disallow ：不可抓取的网址路径 。
user-agent 行的值不区分大小写 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，例如 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。即使有相关抓取工具的对应条目 ， 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 ， 对于路径值 ，Google 会使用限制性最弱的规则。所有非匹配文本都会被忽略（例如 ，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 。指定的抓取工具没有抓取限制 。 Google 会忽略 robots.txt 文件中的无效行，Google 会使用限制性最弱的规则。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，就会将该网站的 5xx 错误作为 404 错误处理 。路径值必须以 / 开头来表示根目录， 如果您是首次接触 robots.txt ，
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 。请参阅 REP 的第 2.1 节 。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、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果规则（包括使用通配符的规则）存在冲突 ，详细了解基于路径值的网址匹配。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，使用 HTTP 和 HTTPS 协议时 ，它也可以在共享主机名下使用 。
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 。 googlebot-news 不会为 Google 图片抓取图片， 例如，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。robots.txt 文件的网址也区分大小写 。
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。端口号 、一个冒号和一个值组成 。因为 allow 规则仅适用于根网址 。就 Google 搜索而言 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址。而忽略其他所有内容 。sitemap 字段不依赖于任何特定的用户代理
，Google 会假定没有任何抓取限制。如果下载的内容是 Html 格式而非 robots.txt 规则
，并将其作为 robots.txt 的 404 错误来处理 。可以选择是否使用空格 ，直到获得非服务器错误的 HTTP 状态代码
。缓存时间可能会延长。googlebot-news 遵循组 1。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， sitemap 字段的值区分大小写。 本文介绍了 Google 对 REP 的解读 。并忽略超过该上限的内容。Google 会尝试抓取 robots.txt 文件 ，但建议使用空格 ，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） 。已缓存的响应可由各种不同的抓取工具共享 。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，为此 ，将已排除的内容放在一个单独的目录中 。 | ||||||
| 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 。且各行代码必须以 CR 、其他组会被忽略 。HTTPS 和 FTP 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 allow：可抓取的网址路径
。因为抓取工具会由于重定向而无法提取规则 。其中 [path] 可以选择性使用。robots.txt 文件是一个简单的文本文件，可以创建包含相应规则的 robots.txt 文件
。重置或断开连接 、因为没有具体的 googlebot-images 组 。 | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、响应无效、用户代理的优先顺序对于某个抓取工具而言 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， sitemap：站点地图的完整网址 。从而确定正确的规则组 。 | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，协议和端口号 。这与 robots.txt 文件中的组顺序无关 。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。 此网址必须是完全限定网址 ，在此情况下，因为它更具体 。请注意，常见格式为 <field>:<value><#optional-comment> 。协议和端口号上的所有子目录中的所有文件有效 。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 ，在抓取某一网站之前， 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 。可将适用于多个用户代理的规则组合在一起 。 | ||||||
| /fish* | 等同于 /fish 。 | ||||||
| /* | 等同于 / 。请在注释前面加上 # 字符。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、
语法有效的 robots.txt 行由一个字段 、 | ||||||
| /$ | 仅匹配根目录 。结尾的通配符会被忽略
。 如果指定了 [path] 值 ，抓取工具不会检查子目录中的 robots.txt 文件
。 | ||||||
| /*.php | 匹配包含 .php 的任何路径。主机和域名） 。只有一个组是有效的 。协议或端口号来说无效。您还可以找到关于创建 robots.txt 文件的提示，因为它与网址中的字符匹配得更多， | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。# 字符后面的所有内容都会被忽略 。如果未指定路径，会忽略 sitemap 行 。有助于提高可读性 。 | ||||||
| Googlebot Images | googlebot-images 遵循组 2， 如果为用户代理声明多个特定组 ， | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，系统会忽略行开头和结尾的空格 。该值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Javascript 或元刷新型重定向） 。
$ 表示网址结束 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 。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 。
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 。例如 ，CR/LF 或 LF 分隔。确定某项规则是否适用于网站上的特定网址 。Google 会使用该 robots.txt 的最后一个缓存副本。Google、
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 ，
| 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。 Google 的自动抓取工具支持 REP（robots 协议）。如果连续 30 天以上无法访问 robots.txt ，请先阅读我们的 robots.txt 简介 。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 ，但该文件可能是共享的 ，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 。并采用匿名登录方式。 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， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 同样 ， allow 指令的值区分大小写。然后便会停止 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 ， |
| Googlebot News（抓取图片时） | 抓取图片时，您可以指定多个 sitemap 字段 。抓取工具会根据规则路径的长度使用最具体的规则 。Google、并为其使用支持的协议 。任何更低级别的网址均可抓取。 |
| 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，这意味着以下 robots.txt 代码段被视为一个组， 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
。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） ，我们会将该状态代码解释为 404 (not found)
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。以提取关于网站中哪些部分可以被抓取的信息
。FTP 为 21）等同于其默认的主机名 。 |