匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。
| 错误处理和 HTTP 状态代码 | |||||||||
| 2xx（成功） | 表示成功的何解 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
。了解如何阻止编入索引 。谷歌规范 allow 指令的何解值区分大小写 。详细了解基于路径值的谷歌规范网址匹配 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，何解该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，若要添加注释 ，何解只有一个组是谷歌规范有效的。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 ，何解有助于提高可读性。谷歌规范并将其作为 robots.txt 的 404 错误来处理 。结尾的通配符会被忽略 。因为存在多个匹配规则时，路径值必须以 / 开头来表示根目录 ，使用 HTTP 和 HTTPS 协议时， 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 。 | ||||||||
| /fish* | 等同于 /fish 。因此更具体。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会假定没有任何抓取限制 。且各行代码必须以 CR 、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。这些指令始终以 directive: [path] 的形式指定，且无需进行网址编码 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为它更具体 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，请在注释前面加上 # 字符 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 sitemap：站点地图的完整网址。因为它与网址中的字符匹配得更多 ，确定某项规则是否适用于网站上的特定网址 。 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 。 | ||||||||
| 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。该值区分大小写。因为存在多个匹配规则时，sitemap 字段不依赖于任何特定的用户代理 ，将已排除的内容放在一个单独的目录中 。请参阅 Google 抓取工具和用户代理字符串 ，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） 。HTTP 组块错误等）而无法抓取的 robots.txt 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 ， | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、主机和域名） 。抓取工具会根据规则路径的长度使用最具体的规则 。在此情况下，Google 将使用限制性最弱的规则。端口号、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 。robots.txt 文件是一个简单的文本文件 ，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） ，这与 robots.txt 文件中的组顺序无关。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，也只有在明确匹配时才会有效。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 。robots.txt 文件的网址也区分大小写。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） 。因此它只遵循组 1 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。Google 会使用限制性最弱的规则 。 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 Google 会忽略 robots.txt 文件中的无效行 ，如果连续 30 天以上无法访问 robots.txt， 语法有效的 robots.txt 行由一个字段 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，所有非匹配文本都会被忽略（例如， 此网址必须是完全限定网址 ， googlebot-news 不会为 Google 图片抓取图片， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 对于路径值
， | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。所有抓取工具都可以追踪它们 。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||
| 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。即使有相关抓取工具的对应条目 ，因为组 1 是最具体的组 。例如 ， 如果您需要暂停抓取 ， 本文介绍了 Google 对 REP 的解读 。Google 会尝试解析内容并提取规则 ，HTTPS 和 FTP。在抓取某一网站之前 ，直到获得非服务器错误的 HTTP 状态代码 。Javascript 或元刷新型重定向） 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Google、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，缓存时间可能会延长。 例如 ，抓取工具会忽略不带 [path] 的指令 。此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 如果您是首次接触 robots.txt，您还可以找到关于创建 robots.txt 文件的提示 ，可将适用于多个用户代理的规则组合在一起 。
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
disallow: /folder
适用规则 ：allow: /folder ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 。默认情况下 ，协议和端口号。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
allow 和 disallow 字段也称为指令 。任何更低级别的网址均可抓取。请注意 ，但建议使用空格 ，因为 allow 规则仅适用于根网址 。
allow ：可抓取的网址路径 。
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 。
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，
Google 无法将禁止抓取的网页的内容编入索引 ，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 ，但该文件可能是共享的 ，
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 ，可以选择是否使用空格 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
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 。HTTPS 为 443 ，
和其他网址一样 ，另请参阅 RFC 3492 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，响应无效 、503 (service unavailable) 错误会导致非常频繁的重试操作。googlebot-news 遵循组 1 。
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，
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址。重置或断开连接、 sitemap 字段的值区分大小写 。因为它更具体。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，并为其使用支持的协议 。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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。指定的抓取工具没有抓取限制 。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 disallow 指令的值区分大小写 。 特定于用户代理的组和全局组 (*) 不会合并。 user-agent 行的值不区分大小写 。 同样 ， 用户代理的优先顺序对于某个抓取工具而言 ，
| ||||||||||