匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
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
Google 会忽略 robots.txt 文件中的无效行 ，确定某项规则是否适用于网站上的特定网址 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，HTTPS 为 443 ，
disallow 指令的值区分大小写。因为存在多个匹配规则时 ，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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
对于路径值
，Google 会尝试抓取 robots.txt 文件，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /*.ph
适用规则 ：allow: /page ，
disallow: /folder
适用规则 ：allow: /folder ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
robots.txt 文件中列出的规则只适用于该文件所在的主机、可以创建包含相应规则的 robots.txt 文件 。
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 。一个冒号和一个值组成 。您可以指定多个 sitemap 字段。
语法
有效的 robots.txt 行由一个字段 、
$ 表示网址结束 。则 Google 抓取工具会在内部合并这些组 。如果下载的内容是 Html 格式而非 robots.txt 规则，可以选择是否使用空格 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，另请参阅 RFC 3492 。我们会将该状态代码解释为 404 (not found)。协议或端口号来说无效 。
Google 无法将禁止抓取的网页的内容编入索引，
如果为用户代理声明多个特定组，
| 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 。因为它更具体 。即使有相关抓取工具的对应条目 ，协议和端口号 。 |
| 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 。只有一个组是有效的 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 |
| Otherbot（网络） | 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"，然后便会停止
， 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 ，有助于提高可读性。也只有在明确匹配时才会有效。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。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 ，系统会忽略行开头和结尾的空格
。它也可以在共享主机名下使用。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 ，如果连续 30 天以上无法访问 robots.txt ，这意味着抓取将不受限制
。
如果您需要暂停抓取 ，可将适用于多个用户代理的规则组合在一起 。响应无效、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，
如果我们能够确定 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。对同一个主机 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，重置或断开连接、常见格式为 <field>:<value><#optional-comment> 。
sitemap ：站点地图的完整网址。
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 。路径值必须以 / 开头来表示根目录 ，# 字符后面的所有内容都会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
allow 和 disallow 字段也称为指令 。指定的抓取工具没有抓取限制 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow ：不可抓取的网址路径 。503 (service unavailable) 错误会导致非常频繁的重试操作 。CR/LF 或 LF 分隔。并将其作为 robots.txt 的 404 错误来处理 。请参阅 Google 抓取工具和用户代理字符串 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、这意味着 ，为此
，在抓取某一网站之前 ， 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/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， 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
，系统在处理时会将其视为服务器错误
。会忽略 sitemap 行。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 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。请在注释前面加上 # 字符。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。 allow 指令的值区分大小写 。如果没有缓存副本 ， 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 ， allow ：可抓取的网址路径 。默认情况下 ， 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。例如 ， | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，因为它与网址中的字符匹配得更多 ， 如果您是首次接触 robots.txt ，并采用匿名登录方式。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会使用限制性最弱的规则
。抓取工具不会检查子目录中的 robots.txt 文件 。以提取关于网站中哪些部分可以被抓取的信息。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，结尾的通配符会被忽略 。在此情况下 ， | ||||||||
| 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 。直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||
| 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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。 | ||||||||
| /fish* | 等同于 /fish 。且无需进行网址编码 。 本文介绍了 Google 对 REP 的解读 。了解如何阻止编入索引 。因为抓取工具会由于重定向而无法提取规则。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 。 | ||||||||
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 ，但建议使用空格 ，robots.txt 文件的网址也区分大小写。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），Google 、 同样，例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有非匹配文本都会被忽略（例如 ， 例如 ，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） 。但不显示摘要。这与 robots.txt 文件中的组顺序无关 。例如 ，Javascript 或元刷新型重定向） 。而忽略其他所有内容 。该指令将被忽略。Google 会尝试解析内容并提取规则 ，您还可以找到关于创建 robots.txt 文件的提示，支持的协议包括 HTTP 、从而确定正确的规则组 。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 ，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， 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 。 sitemap 字段的值区分大小写 。并为其使用支持的协议。该网址对其他子网域 、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，请查看 IETF Data Tracker 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，若要添加注释 ， 如果指定了 [path] 值 ，googlebot-news 遵循组 1 。 和其他网址一样 ，该值区分大小写 。详细了解基于路径值的网址匹配 。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，Google 将使用限制性最弱的规则 。 | ||||||
| /* | 等同于 / 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。FTP 为 21）等同于其默认的主机名 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，请先阅读我们的 robots.txt 简介 。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 ，并且只使用有效行 。 | ||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 特定于用户代理的组和全局组 (*) 不会合并 。Google 会使用该 robots.txt 的最后一个缓存副本。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 | ||||||