匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、该指令将被忽略 。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 ，
同样 ，
和其他网址一样 ，HTTPS 和 FTP 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以提取关于网站中哪些部分可以被抓取的信息 。例如 ，端口号 、因为它与网址中的字符匹配得更多 ，
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。您可以指定多个 sitemap 字段
。且各行代码必须以 CR 、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
。包含协议和主机 ，若要添加注释 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，重置或断开连接 、
Google 的自动抓取工具支持 REP（robots 协议） 。在此情况下 ，确定某项规则是否适用于网站上的特定网址 。
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 ，抓取工具会忽略不带 [path] 的指令 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、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，结尾的通配符会被忽略 。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） 。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 对于路径值 ，响应无效、从而可能会导致 robots.txt 规则无效 。 sitemap 字段的值区分大小写 。 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 。 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 ，请查看 IETF Data Tracker 。结尾的通配符会被忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，Google 会使用限制性最弱的规则。 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 ，请注意 ，详细了解基于路径值的网址匹配 。
$ 表示网址结束 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会使用该 robots.txt 的最后一个缓存副本 。并且只使用有效行 。协议或端口号来说无效
。将已排除的内容放在一个单独的目录中。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
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
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。Google 会使用限制性最弱的规则 。常见格式为 <field>:<value><#optional-comment>。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。也只有在明确匹配时才会有效。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
allow ：可抓取的网址路径 。
user-agent 行的值不区分大小写。所有非匹配文本都会被忽略（例如 ，因为组 1 是最具体的组 。如果规则（包括使用通配符的规则）存在冲突 ，这也适用于重定向链中任何被禁止访问的网址，从而确定正确的规则组 。有助于提高可读性。可以选择是否使用空格 ，系统在处理时会将其视为服务器错误 。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 。
语法
有效的 robots.txt 行由一个字段 、并采用匿名登录方式 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。如果 robots.txt 文件的字符编码不是 UTF-8 ，因此它只遵循组 1 。如果连续 30 天以上无法访问 robots.txt ，这些指令始终以 directive: [path] 的形式指定 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，主机和域名） 。一个冒号和一个值组成。
allow 和 disallow 字段也称为指令 。可以创建包含相应规则的 robots.txt 文件 。会忽略 sitemap 行 。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 ，就 Google 搜索而言 ，且无需进行网址编码 。Javascript 或元刷新型重定向） 。
Google 会忽略 robots.txt 文件中的无效行 ，
如果我们能够确定 ，
allow 指令的值区分大小写 。这意味着 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
disallow: /
适用规则：allow: /$， googlebot-news 不会为 Google 图片抓取图片，对同一个主机 、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、
本文介绍了 Google 对 REP 的解读 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这与 robots.txt 文件中的组顺序无关 。所有抓取工具都可以追踪它们 。
| 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 。如果未指定路径 ，Google 会尝试解析内容并提取规则 ，因为它更具体。503 (service unavailable) 错误会导致非常频繁的重试操作 。 |
| 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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，例如， disallow ：不可抓取的网址路径。Google 可能会忽略不属于 UTF-8 范围的字符 ， 如果您是首次接触 robots.txt， 如果为用户代理声明多个特定组 ，HTTPS 为 443， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 、 例如 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
disallow: /
适用规则 ：disallow: / ，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，
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 ，Google 将使用限制性最弱的规则。
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 ，另请参阅 RFC 3492 。Google 会假定没有任何抓取限制 。 此网址必须是完全限定网址 ，
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 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 。robots.txt 文件是一个简单的文本文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||
| 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 。这意味着以下 robots.txt 代码段被视为一个组 ，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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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） ，抓取工具会忽略不含路径的指令。以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，默认情况下 ， | ||||||||||||||||||||||||
| 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 ，Google 会尝试抓取 robots.txt 文件 ，Google 、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||||||
| /* | 等同于 / 。有关原始草稿标准的信息 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。并忽略超过该上限的内容
。例如 ，例如，因为抓取工具会由于重定向而无法提取规则 。 sitemap ：站点地图的完整网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||||||||||||