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
| 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。何解 |
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 不适用于： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。因为存在多个匹配规则时，何解FTP 为 21）等同于其默认的谷歌规范主机名 。协议和端口号 。何解这些通配符包括： * 表示出现 0 次或多次的谷歌规范任何有效字符 。robots.txt 文件的何解网址也区分大小写 。HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。何解这意味着抓取将不受限制
。谷歌规范 disallow ：不可抓取的何解网址路径 。主机和域名）。谷歌规范而忽略其他所有内容 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， |
| /* | 等同于 / 。结尾的通配符会被忽略 。响应无效、这也适用于重定向链中任何被禁止访问的网址 ，然后便会停止 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， allow 指令的值区分大小写 。 |
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 ，这与 robots.txt 文件中的组顺序无关 。 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||
| 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。 | ||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，sitemap 字段不依赖于任何特定的用户代理 ，googlebot-news 遵循组 1。将已排除的内容放在一个单独的目录中 。并将其作为 robots.txt 的 404 错误来处理 。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 。因为组 1 是最具体的组。抓取工具会忽略不含路径的指令 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，robots.txt 文件是一个简单的文本文件 ，所有非匹配文本都会被忽略（例如 ，在此情况下 ， user-agent 行的值不区分大小写 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，从而可能会导致 robots.txt 规则无效 。 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。可以创建包含相应规则的 robots.txt 文件 。例如 ，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 ， sitemap 字段的值区分大小写 。如果规则（包括使用通配符的规则）存在冲突，这意味着 ， 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 ： allow: [path] sitemap 根据 sitemaps.org 规定，也只有在明确匹配时才会有效 。 | ||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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。 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，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，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，默认情况下 ，另请参阅 RFC 3492 。如果没有缓存副本 ，例如， 例如 ，有助于提高可读性 。即使有相关抓取工具的对应条目 ， | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、Google 会假定没有任何抓取限制 。为此 ， Google 无法将禁止抓取的网页的内容编入索引 ，只要未被禁止抓取 ， | ||||
| /$ | 仅匹配根目录 。可将适用于多个用户代理的规则组合在一起
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。但不显示摘要。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（抓取图片时） | 抓取图片时 ，并且只使用有效行。并采用匿名登录方式 。您可以指定多个 sitemap 字段。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，端口号、 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 同样 ， | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。 如果您需要暂停抓取 ，请注意 ， | ||||
| 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中
， allow 和 disallow 字段也称为指令 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但建议使用空格 ，其中 [path] 可以选择性使用 。如果未指定路径，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，# 字符后面的所有内容都会被忽略 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 REP 的第 2.1 节。 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 ， 如果您是首次接触 robots.txt ，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） 。 本文介绍了 Google 对 REP 的解读。协议和端口号上的所有子目录中的所有文件有效 。并忽略超过该上限的内容 。该指令将被忽略 。 | ||||
| /fish | 匹配以 /fish 开头的任何路径 。 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 。 googlebot-news 不会为 Google 图片抓取图片 ，这些指令始终以 directive: [path] 的形式指定 ， | ||||
| Googlebot Images | googlebot-images 遵循组 2 ， 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 | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具不会检查子目录中的 robots.txt 文件 。
Google 的自动抓取工具支持 REP（robots 协议）。
如果指定了 [path] 值，
Google 会忽略 robots.txt 文件中的无效行 ，已缓存的响应可由各种不同的抓取工具共享 。一个冒号和一个值组成
。
如果我们能够确定 ，详细了解基于路径值的网址匹配 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
$ 表示网址结束 。因为 allow 规则仅适用于根网址。因此更具体 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow 指令的值区分大小写 。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 ，在抓取某一网站之前， 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 。因为它与网址中的字符匹配得更多 ，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 ，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
，使用 HTTP 和 HTTPS 协议时，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。任何更低级别的网址均可抓取
。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为它更具体 。
如果为用户代理声明多个特定组 ，因此它只遵循组 1 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。且各行代码必须以 CR 、了解如何阻止编入索引 。但该文件可能是共享的 ，
| 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 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，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） ，系统在处理时会将其视为服务器错误 。缓存时间可能会延长 。 此网址必须是完全限定网址， | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 、 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 。抓取工具会忽略不带 [path] 的指令
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。以及一个详尽的常见问题解答列表 。请在注释前面加上 # 字符 。从而确定正确的规则组 。 allow ：可抓取的网址路径 。 | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，就 Google 搜索而言，Google 会使用限制性最弱的规则。该网址对其他子网域 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，若要添加注释
，Google 会尝试解析内容并提取规则 ，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。Google 会尝试抓取 robots.txt 文件，我们会将该状态代码解释为 404 (not found) 。结尾的通配符会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、会忽略 sitemap 行 。
用户代理的优先顺序
对于某个抓取工具而言 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
对于路径值，
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 。且无需进行网址编码 。CR/LF 或 LF 分隔 。
语法
有效的 robots.txt 行由一个字段 、HTTPS 为 443 ，
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 。因为没有具体的 googlebot-images 组 。请查看 IETF Data Tracker 。