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
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件，# 字符后面的谷歌规范所有内容都会被忽略。
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范因为存在多个匹配规则时，何解例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、谷歌规范请查看 IETF Data Tracker 。何解例如 ，谷歌规范
disallow 指令的何解值区分大小写。因为它更具体 。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。抓取工具会忽略不带 [path] 的指令 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，在抓取某一网站之前 ，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 ，例如，HTTPS 为 443 ，协议和端口号上的所有子目录中的所有文件有效。
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 ，建议为网站上的每个网址提供 503 HTTP 状态代码。
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。任何更低级别的网址均可抓取。为此
，
allow 和 disallow 字段也称为指令 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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） 。
user-agent 行的值不区分大小写 。Google 会使用限制性最弱的规则 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会尝试解析内容并提取规则，从而确定正确的规则组 。缓存时间可能会延长 。并采用匿名登录方式 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，主机和域名） 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因此它只遵循组 1 。
Google 会忽略 robots.txt 文件中的无效行，支持的协议包括 HTTP 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
和其他网址一样 ，sitemap 字段不依赖于任何特定的用户代理 ，
disallow: /
适用规则：allow: /$ ，
disallow: /
适用规则 ：disallow: / ，则 Google 抓取工具会在内部合并这些组 。因为组 1 是最具体的组 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，已缓存的响应可由各种不同的抓取工具共享 。Google 会使用限制性最弱的规则 。也只有在明确匹配时才会有效 。因为抓取工具会由于重定向而无法提取规则。
如果我们能够确定 ， googlebot-news 不会为 Google 图片抓取图片 ，Google、Bing 和其他主流搜索引擎支持有限形式的通配符 。路径值必须以 / 开头来表示根目录，googlebot-news 遵循组 1 。直到获得非服务器错误的 HTTP 状态代码 。但建议使用空格 ，
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 。指定的抓取工具没有抓取限制 。
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 ，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 。了解如何阻止编入索引 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这意味着 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 可能会忽略不属于 UTF-8 范围的字符， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
| 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 。例如 ，一个冒号和一个值组成 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，就 Google 搜索而言 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。所有抓取工具都可以追踪它们 。
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 ，我们会将该状态代码解释为 404 (not found) 。且各行代码必须以 CR 、确定某项规则是否适用于网站上的特定网址 。然后便会停止，并将其作为 robots.txt 的 404 错误来处理 。如果连续 30 天以上无法访问 robots.txt ，请在注释前面加上 # 字符。详细了解基于路径值的网址匹配。以及一个详尽的常见问题解答列表 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
allow 指令的值区分大小写。
Google 的自动抓取工具支持 REP（robots 协议） 。即使有相关抓取工具的对应条目，
如果指定了 [path] 值 ，
如果您需要暂停抓取 ，Google 将使用限制性最弱的规则。这意味着抓取将不受限制。
用户代理的优先顺序
对于某个抓取工具而言 ，端口号 、响应无效 、可以创建包含相应规则的 robots.txt 文件 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），而忽略其他所有内容 。另请参阅 RFC 3492 。有关原始草稿标准的信息 ，使用 HTTP 和 HTTPS 协议时 ，抓取工具不会检查子目录中的 robots.txt 文件 。所有非匹配文本都会被忽略（例如 ，因为它更具体 。
| 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。 |
| 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 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这与 robots.txt 文件中的组顺序无关 。该网址对其他子网域 、
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。且无需进行网址编码 。协议或端口号来说无效 。若要添加注释 ， 特定于用户代理的组和全局组 (*) 不会合并 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。有助于提高可读性 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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，Google 会使用该 robots.txt 的最后一个缓存副本 。
allow ：可抓取的网址路径 。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，此网址不需要与 robots.txt 文件位于同一主机上。
$ 表示网址结束。请参阅 Google 抓取工具和用户代理字符串 ，重置或断开连接 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此更具体 。您可以指定多个 sitemap 字段 。在此情况下，
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 。该值区分大小写 。
语法
有效的 robots.txt 行由一个字段 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
本文介绍了 Google 对 REP 的解读。
disallow: /folder
适用规则 ：allow: /folder ，因为存在多个匹配规则时 ，结尾的通配符会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请参阅 REP 的第 2.1 节 。Google 会假定没有任何抓取限制 。
如果为用户代理声明多个特定组，以提取关于网站中哪些部分可以被抓取的信息 。常见格式为 <field>:<value><#optional-comment> 。
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 sitemap 字段的值区分大小写
。 | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 如果您是首次接触 robots.txt
， sitemap ：站点地图的完整网址 。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，这些指令始终以 directive: [path] 的形式指定 ，HTTPS 和 FTP 。将已排除的内容放在一个单独的目录中 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，请先阅读我们的 robots.txt 简介 。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 。其他组会被忽略 。 | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，会忽略 sitemap 行 。只有一个组是有效的 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ，如果下载的内容是 Html 格式而非 robots.txt 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并为其使用支持的协议 。 对于路径值 ，并且只使用有效行 。其中 [path] 可以选择性使用 。CR/LF 或 LF 分隔 。但不显示摘要 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果未指定路径，该指令将被忽略 。 | ||||||||||||||||