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
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范协议和端口号上的何解所有子目录中的所有文件有效 。可以选择是谷歌规范否使用空格 ，Google 会尝试解析内容并提取规则，何解会忽略 sitemap 行 。谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段。支持的谷歌规范协议包括 HTTP 、只要未被禁止抓取 ，何解系统在处理时会将其视为服务器错误。谷歌规范结尾的何解通配符会被忽略。而忽略其他所有内容。谷歌规范
user-agent 行的值不区分大小写 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，Google 会尝试抓取 robots.txt 文件 ，这意味着，因为存在多个匹配规则时 ，这些指令始终以 directive: [path] 的形式指定 ，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 ，因为它与网址中的字符匹配得更多 ，
disallow 指令的值区分大小写 。因此它只遵循组 1 。这与 robots.txt 文件中的组顺序无关。如果没有缓存副本，并为其使用支持的协议。
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 。如果未指定路径 ，
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 ，有助于提高可读性 。请在注释前面加上 # 字符 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap ：站点地图的完整网址 。抓取工具会忽略不带 [path] 的指令 。因为没有具体的 googlebot-images 组。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。
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 。指定的抓取工具没有抓取限制 。可以创建包含相应规则的 robots.txt 文件 。例如 ，请参阅 Google 抓取工具和用户代理字符串 ，并忽略超过该上限的内容 。为此 ，sitemap 字段不依赖于任何特定的用户代理 ，
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 。对同一个主机 、因为它更具体。
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 ，
sitemap 字段的值区分大小写。 此网址必须是完全限定网址，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
、
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
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
如果为用户代理声明多个特定组 ，在此情况下 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
和其他网址一样 ，只有一个组是有效的。但可能仍会将其网址编入索引并将其显示在搜索结果中，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。主机和域名） 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 会忽略 robots.txt 文件中的无效行，这意味着抓取将不受限制 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。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） ，建议为网站上的每个网址提供 503 HTTP 状态代码。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。
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 。因为它更具体 。但不显示摘要
。端口号 、响应无效、例如，任何更低级别的网址均可抓取 。缓存时间可能会延长 。googlebot-news 遵循组 1
。 Google 的自动抓取工具支持 REP（robots 协议） 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
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) 。
| 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 。有关原始草稿标准的信息 ， Google 无法将禁止抓取的网页的内容编入索引， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，并采用匿名登录方式 。可将适用于多个用户代理的规则组合在一起 。抓取工具会忽略不含路径的指令 。请查看 IETF Data Tracker 。 本文介绍了 Google 对 REP 的解读 。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 。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 ，如果规则（包括使用通配符的规则）存在冲突 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。该指令将被忽略 。因为组 1 是最具体的组。如果下载的内容是 Html 格式而非 robots.txt 规则， | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt， 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。503 (service unavailable) 错误会导致非常频繁的重试操作。 | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，HTTPS 为 443
，
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 ，您可以指定多个 sitemap 字段。即使有相关抓取工具的对应条目 ，robots.txt 文件的网址也区分大小写 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。另请参阅 RFC 3492 。路径值必须以 / 开头来表示根目录，
allow ：可抓取的网址路径 。CR/LF 或 LF 分隔 。
同样 ，已缓存的响应可由各种不同的抓取工具共享 。确定某项规则是否适用于网站上的特定网址 。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，就 Google 搜索而言 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。在抓取某一网站之前 ，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，
disallow: /*.ph
适用规则 ：allow: /page ，系统会忽略行开头和结尾的空格 。常见格式为 <field>:<value><#optional-comment> 。
如果我们能够确定 ，
如果指定了 [path] 值 ，
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 ，以提取关于网站中哪些部分可以被抓取的信息 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
disallow ：不可抓取的网址路径 。Google 会假定没有任何抓取限制 。
disallow: /folder
适用规则：allow: /folder ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Javascript 或元刷新型重定向） 。详细了解基于路径值的网址匹配 。 例如，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
对于路径值 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
disallow: /
适用规则 ：disallow: / ，包含协议和主机 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
如果您需要暂停抓取，
allow 和 disallow 字段也称为指令 。并将其作为 robots.txt 的 404 错误来处理
。
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 。FTP 为 21）等同于其默认的主机名 。以及一个详尽的常见问题解答列表 。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） 。其他组会被忽略。
用户代理的优先顺序
对于某个抓取工具而言 ，若要添加注释，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。默认情况下 ，此网址不需要与 robots.txt 文件位于同一主机上。这意味着以下 robots.txt 代码段被视为一个组，抓取工具会根据规则路径的长度使用最具体的规则 。但建议使用空格 ，
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 。Google 将使用限制性最弱的规则 。则 Google 抓取工具会在内部合并这些组。结尾的通配符会被忽略 。且各行代码必须以 CR 、
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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，然后便会停止 ，# 字符后面的所有内容都会被忽略。robots.txt 文件是一个简单的文本文件 ， | ||||||||
| 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 。例如，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。将已排除的内容放在一个单独的目录中 。重置或断开连接
、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。直到获得非服务器错误的 HTTP 状态代码 。 allow 指令的值区分大小写 。 | ||||||||
| /* | 等同于 /
。该值区分大小写 。并且只使用有效行 。 | ||||||||