匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，只有一个组是何解有效的 。它也可以在共享主机名下使用 。谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解请查看 IETF Data Tracker。谷歌规范
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow 指令的值区分大小写 。
Google 的自动抓取工具支持 REP（robots 协议） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 。系统在处理时会将其视为服务器错误 。
disallow: /
适用规则 ：disallow: / ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| /$ | 仅匹配根目录。 user-agent 行的值不区分大小写。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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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，任何更低级别的网址均可抓取 。sitemap 字段不依赖于任何特定的用户代理 ， 如果您是首次接触 robots.txt，以提取关于网站中哪些部分可以被抓取的信息 。FTP 为 21）等同于其默认的主机名 。 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 ，抓取工具会忽略不含路径的指令 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、支持的协议包括 HTTP、例如 ，CR/LF 或 LF 分隔
。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。robots.txt 文件是一个简单的文本文件 ， |
| Googlebot News（抓取图片时） | 抓取图片时
，一个冒号和一个值组成 。结尾的通配符会被忽略
。Google
、因为它更具体 。指定的抓取工具没有抓取限制 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。将已排除的内容放在一个单独的目录中 。Javascript 或元刷新型重定向） 。 |
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，已缓存的响应可由各种不同的抓取工具共享 。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 ， 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 ， sitemap 字段的值区分大小写 。 对于路径值 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
语法
有效的 robots.txt 行由一个字段 、默认情况下 ，因为抓取工具会由于重定向而无法提取规则 。详细了解基于路径值的网址匹配 。因为存在多个匹配规则时 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，# 字符后面的所有内容都会被忽略 。就会将该网站的 5xx 错误作为 404 错误处理 。从而可能会导致 robots.txt 规则无效 。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），
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
| 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 。请在注释前面加上 # 字符 。 此网址必须是完全限定网址 ， 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 ，其他组会被忽略 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。Google 将使用限制性最弱的规则 。
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 。HTTPS 为 443 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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 。
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 。googlebot-news 遵循组 1 。请参阅 Google 抓取工具和用户代理字符串 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 ，您还可以找到关于创建 robots.txt 文件的提示 ，请注意 ，如果没有缓存副本 ，主机和域名） 。可以选择是否使用空格 ，Google 会尝试解析内容并提取规则 ，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） 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
| 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 。直到获得非服务器错误的 HTTP 状态代码 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。从而确定正确的规则组 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 特定于用户代理的组和全局组 (*) 不会合并。所有非匹配文本都会被忽略（例如 ，系统会忽略行开头和结尾的空格 。就 Google 搜索而言 ， |
和其他网址一样，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，协议和端口号。如果连续 30 天以上无法访问 robots.txt，这与 robots.txt 文件中的组顺序无关。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。路径值必须以 / 开头来表示根目录 ，Google 会使用限制性最弱的规则 。因为它与网址中的字符匹配得更多 ，例如，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，然后便会停止 ，例如 ，且无需进行网址编码 。
disallow: /
适用规则 ：allow: /$，所有抓取工具都可以追踪它们 。为此 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。协议或端口号来说无效。
如果指定了 [path] 值 ，另请参阅 RFC 3492 。请参阅 REP 的第 2.1 节 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为组 1 是最具体的组。
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 。此网址不需要与 robots.txt 文件位于同一主机上 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。则 Google 抓取工具会在内部合并这些组 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 会尝试抓取 robots.txt 文件 ，响应无效 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 指令的值区分大小写 。使用 HTTP 和 HTTPS 协议时 ，并采用匿名登录方式 。会忽略 sitemap 行。有关原始草稿标准的信息 ，但不显示摘要 。因此更具体 。这意味着 ，并为其使用支持的协议 。该指令将被忽略。
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 ， 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 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。
| ||||||||||||||