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
如果指定了 [path] 值 ，何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。HTTPS 为 443 ，何解
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 。在此情况下 ，何解
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请查看 IETF Data Tracker 。Google 将使用限制性最弱的规则 。您还可以找到关于创建 robots.txt 文件的提示 ，响应无效、这意味着以下 robots.txt 代码段被视为一个组 ，然后便会停止 ，Google 会使用该 robots.txt 的最后一个缓存副本。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。它也可以在共享主机名下使用 。会忽略 sitemap 行 。FTP 为 21）等同于其默认的主机名。
Google 无法将禁止抓取的网页的内容编入索引 ，了解如何阻止编入索引 。为此 ，
和其他网址一样 ，例如，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。您可以指定多个 sitemap 字段 。这也适用于重定向链中任何被禁止访问的网址 ，常见格式为 <field>:<value><#optional-comment> 。结尾的通配符会被忽略 。另请参阅 RFC 3492 。并且只使用有效行 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。所有抓取工具都可以追踪它们 。如果规则（包括使用通配符的规则）存在冲突 ，所有非匹配文本都会被忽略（例如 ，而忽略其他所有内容 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。CR/LF 或 LF 分隔 。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 。
如果为用户代理声明多个特定组 ，
disallow: /*.ph
适用规则：allow: /page，
| 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 。如果没有缓存副本， 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 可能会忽略不属于 UTF-8 范围的字符 ，抓取工具会忽略不含路径的指令。直到获得非服务器错误的 HTTP 状态代码 。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 ，因为抓取工具会由于重定向而无法提取规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 例如，
user-agent 行的值不区分大小写 。并忽略超过该上限的内容。因为它更具体 。
Google 会忽略 robots.txt 文件中的无效行 ，这意味着 ，
allow 和 disallow 字段也称为指令。
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
，可以选择是否使用空格 ，请先阅读我们的 robots.txt 简介
。但该文件可能是共享的 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。 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 。就会将该网站的 5xx 错误作为 404 错误处理。指定的抓取工具没有抓取限制 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。 sitemap ：站点地图的完整网址 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，HTTPS 和 FTP 。可将适用于多个用户代理的规则组合在一起。 |
| /* | 等同于 / 。 同样 ，在抓取某一网站之前，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具会根据规则路径的长度使用最具体的规则 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ， 此网址必须是完全限定网址，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，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
disallow：不可抓取的网址路径 。其中 [path] 可以选择性使用 。
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。已缓存的响应可由各种不同的抓取工具共享 。Google 会尝试解析内容并提取规则，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow: /
适用规则 ：disallow: / ，Google 、
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://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 。请参阅 Google 抓取工具和用户代理字符串 ，
本文介绍了 Google 对 REP 的解读 。确定某项规则是否适用于网站上的特定网址 。因为没有具体的 googlebot-images 组 。使用 HTTP 和 HTTPS 协议时 ，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）。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，任何更低级别的网址均可抓取
。系统会忽略行开头和结尾的空格。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。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、抓取工具会使用标准 RETR (RETRIEVE) 命令，从而确定正确的规则组。
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 ，Google 、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 ，
allow 指令的值区分大小写 。协议或端口号来说无效 。Google 会尝试抓取 robots.txt 文件 ，有助于提高可读性 。例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。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，Bing 和其他主流搜索引擎支持有限形式的通配符 。该值区分大小写 。因此它只遵循组 1。
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 。
disallow 指令的值区分大小写 。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 ，因为它与网址中的字符匹配得更多 ，因为存在多个匹配规则时 ，
对于路径值 ，就 Google 搜索而言 ，主机和域名）。 特定于用户代理的组和全局组 (*) 不会合并 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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 。Javascript 或元刷新型重定向）。这意味着抓取将不受限制 。
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 ，
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
，但建议使用空格 ，如果下载的内容是 Html 格式而非 robots.txt 规则，因为组 1 是最具体的组 。 $ 表示网址结束 。系统在处理时会将其视为服务器错误 。 sitemap 字段的值区分大小写。 语法有效的 robots.txt 行由一个字段 、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 ，有关原始草稿标准的信息 ， 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 。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||
| /fish* | 等同于 /fish。 allow
：可抓取的网址路径 。这与 robots.txt 文件中的组顺序无关 。 用户代理的优先顺序对于某个抓取工具而言，robots.txt 文件的网址也区分大小写。结尾的通配符会被忽略 。因为 allow 规则仅适用于根网址 。协议和端口号 。 googlebot-news 不会为 Google 图片抓取图片，请在注释前面加上 # 字符 。
| ||||||||||||||||||