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
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。若要添加注释 ，谷歌规范Google 会尝试抓取 robots.txt 文件 ，何解您可以指定多个 sitemap 字段。谷歌规范
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 ，抓取工具会根据规则路径的长度使用最具体的规则 。
语法
有效的 robots.txt 行由一个字段 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 。因为抓取工具会由于重定向而无法提取规则 。
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 。所有非匹配文本都会被忽略（例如 ，在此情况下 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，结尾的通配符会被忽略 。因为它更具体 。Google 会使用限制性最弱的规则 。
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 。
用户代理的优先顺序
对于某个抓取工具而言 ，例如 ，
disallow: /
适用规则 ：disallow: / ，
disallow: /
适用规则 ：allow: /$ ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
如果为用户代理声明多个特定组，Google 、该值区分大小写。协议和端口号 。就 Google 搜索而言 ，请参阅 Google 抓取工具和用户代理字符串 ，
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 ，
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 。
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 。系统会忽略行开头和结尾的空格 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理 ，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， 对于路径值，有助于提高可读性 。 allow 和 disallow 字段也称为指令 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。因为它与网址中的字符匹配得更多，在抓取某一网站之前 ，robots.txt 文件的网址也区分大小写 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。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， 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 ，googlebot-news 遵循组 1 。并为其使用支持的协议 。则 Google 抓取工具会在内部合并这些组 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page 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。但不显示摘要 。Google 会使用限制性最弱的规则 。# 字符后面的所有内容都会被忽略 。Google 会尝试解析内容并提取规则， user-agent 行的值不区分大小写 。 特定于用户代理的组和全局组 (*) 不会合并 。系统在处理时会将其视为服务器错误 。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 。 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 ，请在注释前面加上 # 字符 。常见格式为 <field>:<value><#optional-comment>。响应无效 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，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） 。如果 robots.txt 文件的字符编码不是 UTF-8 ， allow ：可抓取的网址路径 。 Google 无法将禁止抓取的网页的内容编入索引 ，其他组会被忽略 。 同样 ，而忽略其他所有内容 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 ， | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为没有具体的 googlebot-images 组
。Google 可能会忽略不属于 UTF-8 范围的字符，并忽略超过该上限的内容 。 | ||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。且无需进行网址编码。
规则的优先顺序匹配 robots.txt 规则与网址时 ，因为它更具体 。 | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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） ，请查看 IETF Data Tracker 。协议或端口号来说无效 。抓取工具会忽略不带 [path] 的指令 。以及一个详尽的常见问题解答列表 。我们会将该状态代码解释为 404 (not found) 。并采用匿名登录方式。结尾的通配符会被忽略 。主机和域名） 。建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。抓取工具不会检查子目录中的 robots.txt 文件 。 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 。缓存时间可能会延长 。Google 会假定没有任何抓取限制。请先阅读我们的 robots.txt 简介 。因此它只遵循组 1 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果未指定路径 ，robots.txt 文件是一个简单的文本文件 ，但该文件可能是共享的 ，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 ，包含协议和主机 ，如果规则（包括使用通配符的规则）存在冲突 ，默认情况下 ，为此 ，已缓存的响应可由各种不同的抓取工具共享 。 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 ， 此网址必须是完全限定网址，该网址对其他子网域 、例如 ， | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。且各行代码必须以 CR 、路径值必须以 / 开头来表示根目录 ， Google 会忽略 robots.txt 文件中的无效行 ，一个冒号和一个值组成 。 | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 $ 表示网址结束 。 | ||||||||||||||||||||||||||
| 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。因为存在多个匹配规则时
， disallow ：不可抓取的网址路径。这意味着以下 robots.txt 代码段被视为一个组 ，端口号 、就会将该网站的 5xx 错误作为 404 错误处理 。Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，对同一个主机 、
sitemap ：站点地图的完整网址 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，HTTPS 和 FTP 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
| 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。它也可以在共享主机名下使用 。可将适用于多个用户代理的规则组合在一起。 |