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
如果我们能够确定 ，谷歌规范请先阅读我们的何解 robots.txt 简介 。例如 ，谷歌规范
对于路径值 ，何解
如果为用户代理声明多个特定组 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。而忽略其他所有内容。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。您可以指定多个 sitemap 字段。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，其他组会被忽略 。这与 robots.txt 文件中的组顺序无关 。 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。 |
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，在此情况下，了解如何阻止编入索引 。可以创建包含相应规则的 robots.txt 文件 。但建议使用空格，在抓取某一网站之前 ，此网址不需要与 robots.txt 文件位于同一主机上 。
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 。Google 会使用该 robots.txt 的最后一个缓存副本 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、googlebot-news 遵循组 1 。
| 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 。 同样 ，如果没有缓存副本，请在注释前面加上 # 字符 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，则 Google 抓取工具会在内部合并这些组 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，默认情况下， Google 的自动抓取工具支持 REP（robots 协议） 。 语法有效的 robots.txt 行由一个字段 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 。 | ||||||||||||||||||||||
| 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请参阅 Google 抓取工具和用户代理字符串 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。请注意 ，如果连续 30 天以上无法访问 robots.txt，因为它与网址中的字符匹配得更多 ， allow 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 ，这意味着 ，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 ，系统会忽略行开头和结尾的空格 。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 。协议或端口号来说无效。 | ||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，直到获得非服务器错误的 HTTP 状态代码 。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||||||||||||||
| 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 。Google 会尝试抓取 robots.txt 文件 ，Google 会尝试解析内容并提取规则 ，从而可能会导致 robots.txt 规则无效 。所有抓取工具都可以追踪它们 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，从而确定正确的规则组 。并为其使用支持的协议 。 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 ， 此网址必须是完全限定网址 ， disallow ：不可抓取的网址路径。 用户代理的优先顺序对于某个抓取工具而言 ，它也可以在共享主机名下使用 。详细了解基于路径值的网址匹配 。缓存时间可能会延长 。包含协议和主机，因为没有具体的 googlebot-images 组 。Bing 和其他主流搜索引擎支持有限形式的通配符。如果规则（包括使用通配符的规则）存在冲突 ，robots.txt 文件是一个简单的文本文件 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、抓取工具会忽略不带 [path] 的指令 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，但该文件可能是共享的 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， | ||||||||||||||||||||||
| 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 ， sitemap ：站点地图的完整网址。 本文介绍了 Google 对 REP 的解读。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，响应无效 、 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会假定没有任何抓取限制。协议和端口号上的所有子目录中的所有文件有效 。路径值必须以 / 开头来表示根目录 ，常见格式为 <field>:<value><#optional-comment>。例如 ， 如果您是首次接触 robots.txt ，
allow 和 disallow 字段也称为指令
。
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 ，该指令将被忽略 。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 ，指定的抓取工具没有抓取限制。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
$ 表示网址结束 。
disallow: /folder
适用规则 ：allow: /folder ，
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。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 。就 Google 搜索而言，Google 会使用限制性最弱的规则 。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 。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 ，只有一个组是有效的。 |
| /$ | 仅匹配根目录 。但不显示摘要 。 |
| /fish* | 等同于 /fish
。 disallow 指令的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， 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 。抓取工具会根据规则路径的长度使用最具体的规则 。 |