匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，如果 robots.txt 文件的何解字符编码不是 UTF-8，它也可以在共享主机名下使用 。谷歌规范且各行代码必须以 CR 、何解抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范有助于提高可读性 。何解则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。 例如 ，何解
allow ：可抓取的谷歌规范网址路径 。Google 会使用该 robots.txt 的何解最后一个缓存副本 。所有非匹配文本都会被忽略（例如 ，谷歌规范robots.txt 文件是何解一个简单的文本文件 ，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，谷歌规范缓存时间可能会延长 。何解
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。可以选择是否使用空格，
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，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。但不显示摘要 。例如 ，在此情况下 ，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，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。就 Google 搜索而言 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，抓取工具不会检查子目录中的 robots.txt 文件 。结尾的通配符会被忽略 。
如果指定了 [path] 值 ，并将其作为 robots.txt 的 404 错误来处理 。因此更具体 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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 。默认情况下 ，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） ，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 。然后便会停止，
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 。重置或断开连接 、这意味着抓取将不受限制 。另请参阅 RFC 3492。
disallow 指令的值区分大小写。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，从而确定正确的规则组 。 如果您需要暂停抓取 ， Google 无法将禁止抓取的网页的内容编入索引，系统会忽略行开头和结尾的空格
。# 字符后面的所有内容都会被忽略。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，FTP 为 21）等同于其默认的主机名 。支持的协议包括 HTTP、 user-agent user-agent 行用来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， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果未指定路径 ，
| 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 、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，因此它只遵循组 1 。Google 、
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 会尝试抓取 robots.txt 文件
，
如果我们能够确定
，并为其使用支持的协议
。这些指令始终以 directive: [path] 的形式指定 ，已缓存的响应可由各种不同的抓取工具共享 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请参阅 Google 抓取工具和用户代理字符串
，
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 。Google 将使用限制性最弱的规则 。请注意 ，
disallow: /*.ph
适用规则 ：allow: /page ，在抓取某一网站之前 ，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、协议和端口号。因为它更具体。HTTPS 和 FTP 。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，
disallow: /folder
适用规则 ：allow: /folder ，任何更低级别的网址均可抓取 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 的自动抓取工具支持 REP（robots 协议） 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 会假定没有任何抓取限制 。因为没有具体的 googlebot-images 组 。因为组 1 是最具体的组
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 ，
disallow: /
适用规则 ：allow: /$ ，其他组会被忽略 。如果规则（包括使用通配符的规则）存在冲突，
# 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 ，详细了解基于路径值的网址匹配 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，我们会将该状态代码解释为 404 (not found) 。
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
，请先阅读我们的 robots.txt 简介 。 disallow ：不可抓取的网址路径。抓取工具会忽略不带 [path] 的指令。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 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 sitemap 字段的值区分大小写 。CR/LF 或 LF 分隔。 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。 如果为用户代理声明多个特定组 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。如果没有缓存副本， 和其他网址一样 ，如果连续 30 天以上无法访问 robots.txt，结尾的通配符会被忽略 。 如果您是首次接触 robots.txt， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具会根据规则路径的长度使用最具体的规则。HTTPS 为 443，这与 robots.txt 文件中的组顺序无关 。如果下载的内容是 Html 格式而非 robots.txt 规则，就会将该网站的 5xx 错误作为 404 错误处理 。 此网址必须是完全限定网址 ，Google 会使用限制性最弱的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，即使有相关抓取工具的对应条目 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||
| 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。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。robots.txt 文件的网址也区分大小写 。 同样 ，只要未被禁止抓取 ，例如 ，主机和域名） 。 allow 指令的值区分大小写 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 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 。 user-agent 行的值不区分大小写 。协议和端口号上的所有子目录中的所有文件有效 。协议或端口号来说无效 。为此 ，请在注释前面加上 # 字符 。例如 ，Google 、抓取工具会忽略不含路径的指令 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， $ 表示网址结束 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 googlebot-news 不会为 Google 图片抓取图片 ，Google 会尝试解析内容并提取规则 ，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 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 会使用限制性最弱的规则 。系统在处理时会将其视为服务器错误 。 allow 和 disallow 字段也称为指令 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。指定的抓取工具没有抓取限制 。 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 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 特定于用户代理的组和全局组 (*) 不会合并。
| ||||||||||