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
/desert/fish
注意：匹配时区分大小写。因为 allow 规则仅适用于根网址。何解在抓取某一网站之前 ，谷歌规范有关原始草稿标准的何解信息 ，
allow ：可抓取的网址路径 。直到获得非服务器错误的 HTTP 状态代码。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。抓取工具会忽略不带 [path] 的指令 。但该文件可能是共享的 ，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 ，如果未指定路径 ，它也可以在共享主机名下使用 。 googlebot-news 不会为 Google 图片抓取图片 ，Google 会尝试抓取 robots.txt 文件，
| 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 。路径值必须以 / 开头来表示根目录 ，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， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，只有一个组是有效的。因此更具体 。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 。googlebot-news 遵循组 1 。 如果指定了 [path] 值 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
| Googlebot Images | googlebot-images 遵循组 2
，可将适用于多个用户代理的规则组合在一起。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会使用限制性最弱的规则 。可以创建包含相应规则的 robots.txt 文件。 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，建议为网站上的每个网址提供 503 HTTP 状态代码。 |
如果我们能够确定， 特定于用户代理的组和全局组 (*) 不会合并 。
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
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 ，若要添加注释 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，
如果您需要暂停抓取 ，了解如何阻止编入索引 。缓存时间可能会延长 。该值区分大小写 。系统会忽略行开头和结尾的空格 。详细了解基于路径值的网址匹配。
如果为用户代理声明多个特定组 ，从而确定正确的规则组 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，也只有在明确匹配时才会有效 。
disallow: /*.ph
适用规则 ：allow: /page ，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 。以及一个详尽的常见问题解答列表 。
sitemap ：站点地图的完整网址 。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 。
同样 ，响应无效 、
disallow: /
适用规则 ：disallow: / ，可以选择是否使用空格 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
语法
有效的 robots.txt 行由一个字段 、抓取工具不会检查子目录中的 robots.txt 文件 。包含协议和主机 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，协议和端口号上的所有子目录中的所有文件有效 。robots.txt 文件是一个简单的文本文件 ，协议和端口号 。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） 。这与 robots.txt 文件中的组顺序无关。HTTPS 为 443 ，其中 [path] 可以选择性使用 。
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。并将其作为 robots.txt 的 404 错误来处理。因为组 1 是最具体的组。只要未被禁止抓取，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 。并为其使用支持的协议 。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） ， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，支持的协议包括 HTTP 、请参阅 REP 的第 2.1 节 。HTTPS 和 FTP 。 user-agent 行的值不区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， sitemap 字段的值区分大小写。 | ||||
| Googlebot（网络） | googlebot 遵循组 3。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： /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 。并忽略超过该上限的内容。 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。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。例如 ，会忽略 sitemap 行。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。但不显示摘要 。 | ||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。但建议使用空格 ，请参阅 Google 抓取工具和用户代理字符串，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 。这意味着抓取将不受限制 。如果连续 30 天以上无法访问 robots.txt，503 (service unavailable) 错误会导致非常频繁的重试操作 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
allow 和 disallow 字段也称为指令 。
对于路径值 ，结尾的通配符会被忽略 。端口号 、这些指令始终以 directive: [path] 的形式指定 ，从而可能会导致 robots.txt 规则无效。Google 会使用该 robots.txt 的最后一个缓存副本 。robots.txt 文件的网址也区分大小写 。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，请在注释前面加上 # 字符 。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，指定的抓取工具没有抓取限制 。并采用匿名登录方式 。所有非匹配文本都会被忽略（例如 ，因为存在多个匹配规则时 ，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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，CR/LF 或 LF 分隔 。即使有相关抓取工具的对应条目 ，在此情况下，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。就会将该网站的 5xx 错误作为 404 错误处理 。为此 ，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 ，而忽略其他所有内容 。
Google 无法将禁止抓取的网页的内容编入索引 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、则 Google 抓取工具会在内部合并这些组 。
| 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 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。FTP 为 21）等同于其默认的主机名 。 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，sitemap 字段不依赖于任何特定的用户代理 ，如果下载的内容是 Html 格式而非 robots.txt 规则，此网址不需要与 robots.txt 文件位于同一主机上 。一个冒号和一个值组成。该指令将被忽略 。抓取工具会忽略不含路径的指令 。 Google 的自动抓取工具支持 REP（robots 协议） 。所有抓取工具都可以追踪它们 。例如 ， disallow 指令的值区分大小写 。因为抓取工具会由于重定向而无法提取规则。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||||||||||||