匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
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何解规则组 ：
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 ，抓取工具会忽略不含路径的谷歌规范指令 。 路径中的何解非 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 。并将其作为 robots.txt 的谷歌规范 404 错误来处理 。
如果为用户代理声明多个特定组 ，何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息。CR/LF 或 LF 分隔 。何解即使有相关抓取工具的谷歌规范对应条目，因此它只遵循组 1 。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理。从而可能会导致 robots.txt 规则无效 。何解
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范FTP 为 21）等同于其默认的主机名。 disallow：不可抓取的网址路径 。 语法有效的 robots.txt 行由一个字段、 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， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，系统会忽略行开头和结尾的空格。
如果指定了 [path] 值 ，您可以指定多个 sitemap 字段。结尾的通配符会被忽略 。因为抓取工具会由于重定向而无法提取规则 。如果没有缓存副本 ，然后便会停止 ，这也适用于重定向链中任何被禁止访问的网址，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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，
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 。您还可以找到关于创建 robots.txt 文件的提示 ，
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
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，则 Google 抓取工具会在内部合并这些组 。如果连续 30 天以上无法访问 robots.txt，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，
disallow: /*.ph
适用规则：allow: /page ，这些指令始终以 directive: [path] 的形式指定 ，
对于路径值 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。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 ，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） 。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。 allow ：可抓取的网址路径 。 |
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它与网址中的字符匹配得更多，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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。因为存在多个匹配规则时 ，
allow 指令的值区分大小写 。
如果您需要暂停抓取，
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 。Google 可能会忽略不属于 UTF-8 范围的字符，
allow 和 disallow 字段也称为指令 。
同样 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、确定某项规则是否适用于网站上的特定网址。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。已缓存的响应可由各种不同的抓取工具共享 。端口号 、抓取工具不会检查子目录中的 robots.txt 文件 。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，会忽略 sitemap 行 。Google 会使用限制性最弱的规则 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
sitemap ：站点地图的完整网址 。 特定于用户代理的组和全局组 (*) 不会合并 。对同一个主机 、直到获得非服务器错误的 HTTP 状态代码 。我们会将该状态代码解释为 404 (not found) 。如果规则（包括使用通配符的规则）存在冲突 ，从而确定正确的规则组 。
disallow: /
适用规则：disallow: / ，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 ，指定的抓取工具没有抓取限制 。协议和端口号上的所有子目录中的所有文件有效 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。该值区分大小写。其中 [path] 可以选择性使用 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，默认情况下 ，路径值必须以 / 开头来表示根目录 ，
disallow 指令的值区分大小写 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，但该文件可能是共享的 ，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 ，例如 ，
本文介绍了 Google 对 REP 的解读。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 。
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，可将适用于多个用户代理的规则组合在一起。HTTPS 和 FTP。这意味着抓取将不受限制 。因为它更具体。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，例如 ，
Google 会忽略 robots.txt 文件中的无效行 ，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，并且只使用有效行 。因为存在多个匹配规则时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
如果我们能够确定
，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。建议为网站上的每个网址提供 503 HTTP 状态代码。响应无效 、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 。有关原始草稿标准的信息 ，这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。因为 allow 规则仅适用于根网址 。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 ，
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。因为组 1 是最具体的组 。请注意 ，robots.txt 文件的网址也区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
| 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 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，主机和域名） 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、robots.txt 文件是一个简单的文本文件 ，且各行代码必须以 CR 、sitemap 字段不依赖于任何特定的用户代理 ， googlebot-news 不会为 Google 图片抓取图片 ，重置或断开连接 、只有一个组是有效的 。请参阅 Google 抓取工具和用户代理字符串 ，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。Google 、若要添加注释 ， sitemap 字段的值区分大小写 。有助于提高可读性。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 ，但建议使用空格 ，例如 ，也只有在明确匹配时才会有效。系统在处理时会将其视为服务器错误 。 |
| /* | 等同于 / 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，另请参阅 RFC 3492。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 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 。且无需进行网址编码 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 $ 表示网址结束 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 和其他网址一样 ，使用 HTTP 和 HTTPS 协议时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。Google 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，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 。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 。因为它更具体 。 用户代理的优先顺序对于某个抓取工具而言 ，Google 会假定没有任何抓取限制 。将已排除的内容放在一个单独的目录中 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 的自动抓取工具支持 REP（robots 协议） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如 ，常见格式为 <field>:<value><#optional-comment> 。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 、包含协议和主机，
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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。了解如何阻止编入索引
。请先阅读我们的 robots.txt 简介。详细了解基于路径值的网址匹配。
| ||||||||||