匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
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 ，例如，何解
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范
disallow: /
适用规则 ：allow: /$ ， 特定于用户代理的组和全局组 (*) 不会合并 。而忽略其他所有内容 。如果未指定路径，googlebot/1.2 和 googlebot* 均等同于 googlebot）。此网址不需要与 robots.txt 文件位于同一主机上 。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 。可以创建包含相应规则的 robots.txt 文件 。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 将使用限制性最弱的规则 。抓取工具会忽略不含路径的指令 。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 。系统在处理时会将其视为服务器错误 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。我们会将该状态代码解释为 404 (not found) 。googlebot-news 遵循组 1 。该指令将被忽略 。默认情况下，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。响应无效 、例如，但不显示摘要。
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 ，
sitemap 字段的值区分大小写 。这些指令始终以 directive: [path] 的形式指定 ，则 Google 抓取工具会在内部合并这些组 。这意味着以下 robots.txt 代码段被视为一个组，抓取工具不会检查子目录中的 robots.txt 文件 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment>。
disallow: /*.ph
适用规则 ：allow: /page ，
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 ，robots.txt 文件的网址也区分大小写。因为抓取工具会由于重定向而无法提取规则 。Google 会尝试抓取 robots.txt 文件 ，HTTPS 为 443，
| 示例情况 | |||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， | ||||||||||||||||||||||||||||||||||||
| 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， $ 表示网址结束 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为它更具体 。 allow 指令的值区分大小写。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请在注释前面加上 # 字符 。
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。了解如何阻止编入索引 。一个冒号和一个值组成 。例如 ，但该文件可能是共享的 ，协议或端口号来说无效 。 和其他网址一样，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| /fish* | 等同于 /fish 。Google
、该网址对其他子网域 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTPS 和 FTP 。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）。且各行代码必须以 CR 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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，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 。 如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 同样 ，其中 [path] 可以选择性使用。另请参阅 RFC 3492 。确定某项规则是否适用于网站上的特定网址 。 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 。建议为网站上的每个网址提供 503 HTTP 状态代码。Bing 和其他主流搜索引擎支持有限形式的通配符 。因为没有具体的 googlebot-images 组 。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 ，直到获得非服务器错误的 HTTP 状态代码。可将适用于多个用户代理的规则组合在一起 。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， |
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，只有一个组是有效的。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。协议和端口号上的所有子目录中的所有文件有效 。因为它与网址中的字符匹配得更多 ， |
| 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 。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，因为存在多个匹配规则时 ，详细了解基于路径值的网址匹配 。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 ， allow 和 disallow 字段也称为指令 。也只有在明确匹配时才会有效 。 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 。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 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。并为其使用支持的协议 。robots.txt 文件是一个简单的文本文件
，可以选择是否使用空格 ，因为 allow 规则仅适用于根网址 。 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 。FTP 为 21）等同于其默认的主机名 。使用 HTTP 和 HTTPS 协议时，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符。若要添加注释 ，您还可以找到关于创建 robots.txt 文件的提示 ，并且只使用有效行 。 |
| Googlebot（网络） | googlebot 遵循组 3 。 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，请参阅 Google 抓取工具和用户代理字符串 ，请先阅读我们的 robots.txt 简介 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。请参阅 REP 的第 2.1 节 。 |
| /* | 等同于 / 。已缓存的响应可由各种不同的抓取工具共享
。 如果我们能够确定 ，并采用匿名登录方式。 Google 会忽略 robots.txt 文件中的无效行 ， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，