匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
示例
user-agent 字段的何解匹配情况
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
，robots.txt 文件是谷歌规范一个简单的文本文件，如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码。disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。 disallow 指令的谷歌规范值区分大小写 。指定的抓取工具没有抓取限制
。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 、sitemap 字段不依赖于任何特定的用户代理 ，只要未被禁止抓取 ，这意味着抓取将不受限制 。这些指令始终以 directive: [path] 的形式指定
，所有抓取工具都可以追踪它们 。Google 、会忽略 sitemap 行
。HTTPS 和 FTP 。Google 会尝试解析内容并提取规则
，包含协议和主机 ， 同样 ，因为没有具体的 googlebot-images 组 。请先阅读我们的 robots.txt 简介 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 ，直到获得非服务器错误的 HTTP 状态代码 。了解如何阻止编入索引。只有一个组是有效的 。 |
| Googlebot（网络） | googlebot 遵循组 3
。 sitemap 字段的值区分大小写 。并采用匿名登录方式 。您可以指定多个 sitemap 字段 。 语法有效的 robots.txt 行由一个字段、 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。有关原始草稿标准的信息，请在注释前面加上 # 字符 。任何更低级别的网址均可抓取。有助于提高可读性 。协议和端口号上的所有子目录中的所有文件有效 。响应无效 、 |
| Googlebot Images | googlebot-images 遵循组 2，在抓取某一网站之前， 本文介绍了 Google 对 REP 的解读。 sitemap ：站点地图的完整网址 。并且只使用有效行 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，缓存时间可能会延长 。Google 、
disallow: /
适用规则 ：disallow: / ，将已排除的内容放在一个单独的目录中。
如果为用户代理声明多个特定组 ，并忽略超过该上限的内容 。HTTPS 为 443 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。robots.txt 文件的网址也区分大小写 。例如 ，因此它只遵循组 1 。结尾的通配符会被忽略 。 此网址必须是完全限定网址 ，
对于路径值 ，
allow ：可抓取的网址路径 。
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/
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 。
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 ，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 。
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 ，请参阅 REP 的第 2.1 节。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 ， 例如 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 。以及一个详尽的常见问题解答列表 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
用户代理的优先顺序
对于某个抓取工具而言 ，
和其他网址一样 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。 $ 表示网址结束 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。我们会将该状态代码解释为 404 (not found)。且无需进行网址编码 。其他组会被忽略 。协议和端口号
。但不显示摘要 。该指令将被忽略 。
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 ， Google 无法将禁止抓取的网页的内容编入索引 ，例如，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，因为它更具体 。这意味着以下 robots.txt 代码段被视为一个组 ，因为存在多个匹配规则时 ，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 ， | ||||||||||||||
| 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 。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） ，因为存在多个匹配规则时 ， 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 。Bing 和其他主流搜索引擎支持有限形式的通配符。Google 会使用该 robots.txt 的最后一个缓存副本。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。Google 可能会忽略不属于 UTF-8 范围的字符 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。重置或断开连接、 disallow：不可抓取的网址路径 。CR/LF 或 LF 分隔 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，对同一个主机 、然后便会停止 ，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 ， allow 和 disallow 字段也称为指令 。此网址不需要与 robots.txt 文件位于同一主机上 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，则 Google 抓取工具会在内部合并这些组。 | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，路径值必须以 / 开头来表示根目录 ， Google 的自动抓取工具支持 REP（robots 协议） 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||
| /* | 等同于 / 。若要添加注释，Javascript 或元刷新型重定向） 。支持的协议包括 HTTP 、 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，一个冒号和一个值组成 。 如果我们能够确定， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。可以创建包含相应规则的 robots.txt 文件 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||
| 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 。例如 ， user-agent 行的值不区分大小写 。系统会忽略行开头和结尾的空格 。该网址对其他子网域 、例如 ，其中 [path] 可以选择性使用 。主机和域名） 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，就 Google 搜索而言 ，为此 ，您还可以找到关于创建 robots.txt 文件的提示 ，可以选择是否使用空格 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。端口号、已缓存的响应可由各种不同的抓取工具共享 。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 ，而忽略其他所有内容。 如果您是首次接触 robots.txt，这意味着 ，如果连续 30 天以上无法访问 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， allow 指令的值区分大小写 。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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 将使用限制性最弱的规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、但建议使用空格 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。如果下载的内容是 Html 格式而非 robots.txt 规则 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、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）。 | ||||||||||||||
| 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 ，确定某项规则是否适用于网站上的特定网址 。常见格式为 <field>:<value><#optional-comment> 。另请参阅 RFC 3492 。即使有相关抓取工具的对应条目， | ||||||||||||||
| 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 。Google 会假定没有任何抓取限制 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，请查看 IETF Data Tracker 。使用 HTTP 和 HTTPS 协议时 ，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。 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 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，以提取关于网站中哪些部分可以被抓取的信息。结尾的通配符会被忽略 。且各行代码必须以 CR、503 (service unavailable) 错误会导致非常频繁的重试操作。 Google 支持以下字段 ： user-agent ：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 。系统在处理时会将其视为服务器错误 。详细了解基于路径值的网址匹配 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
| ||||||||||||||