匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。
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
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
disallow 指令的谷歌规范值区分大小写 。
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
同样 ，CR/LF 或 LF 分隔。FTP 为 21）等同于其默认的主机名 。任何更低级别的网址均可抓取。
disallow ：不可抓取的网址路径 。因为没有具体的 googlebot-images 组。所有非匹配文本都会被忽略（例如 ，我们会将该状态代码解释为 404 (not found) 。该网址对其他子网域 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， 对于路径值，sitemap 字段不依赖于任何特定的用户代理，可以创建包含相应规则的 robots.txt 文件 。如果下载的内容是 Html 格式而非 robots.txt 规则， |
| /* | 等同于 / 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。指定的抓取工具没有抓取限制 。 例如，直到获得非服务器错误的 HTTP 状态代码 。这些指令始终以 directive: [path] 的形式指定 ， |
| Googlebot（网络） | googlebot 遵循组 3 。使用 HTTP 和 HTTPS 协议时 ，如果 robots.txt 文件的字符编码不是 UTF-8，且无需进行网址编码 。以提取关于网站中哪些部分可以被抓取的信息 。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） ， |
如果您需要暂停抓取 ，
allow 指令的值区分大小写 。响应无效 、
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 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，所有抓取工具都可以追踪它们 。该指令将被忽略 。协议和端口号上的所有子目录中的所有文件有效 。
sitemap ：站点地图的完整网址。若要添加注释 ，请在注释前面加上 # 字符 。并采用匿名登录方式。
# 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：
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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。支持的协议包括 HTTP、
user-agent 行的值不区分大小写。Javascript 或元刷新型重定向） 。googlebot-news 遵循组 1 。端口号 、
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 ，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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。详细了解基于路径值的网址匹配 。 如果您是首次接触 robots.txt ，会忽略 sitemap 行 。
Google 会忽略 robots.txt 文件中的无效行 ，只要未被禁止抓取 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。对同一个主机
、如果规则（包括使用通配符的规则）存在冲突，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /
适用规则 ：allow: /$，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 。
和其他网址一样 ，它也可以在共享主机名下使用。
语法
有效的 robots.txt 行由一个字段 、
disallow: /*.ph
适用规则 ：allow: /page ，
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 ，
$ 表示网址结束。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 此网址必须是完全限定网址 ，
| 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 。从而可能会导致 robots.txt 规则无效 。就 Google 搜索而言 ，Google 会假定没有任何抓取限制 。抓取工具会根据规则路径的长度使用最具体的规则 。为此 ，协议和端口号 。一个冒号和一个值组成 。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 。系统在处理时会将其视为服务器错误。请参阅 REP 的第 2.1 节 。如果未指定路径 ，如果连续 30 天以上无法访问 robots.txt ，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 ， 如果为用户代理声明多个特定组 ，这意味着 ，这与 robots.txt 文件中的组顺序无关 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为抓取工具会由于重定向而无法提取规则 。 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 特定于用户代理的组和全局组 (*) 不会合并 。 如果指定了 [path] 值 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会尝试抓取 robots.txt 文件 ，但不显示摘要 。 Google 无法将禁止抓取的网页的内容编入索引 ，请注意， | ||||||||||||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件
，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 ， allow 和 disallow 字段也称为指令 。Google 将使用限制性最弱的规则。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、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 、将已排除的内容放在一个单独的目录中。结尾的通配符会被忽略 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， googlebot-news 不会为 Google 图片抓取图片
，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 。robots.txt 文件是一个简单的文本文件 ，从而确定正确的规则组 。因为存在多个匹配规则时 ， 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， 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 。HTTPS 和 FTP。常见格式为 <field>:<value><#optional-comment> 。HTTPS 为 443 ，因为存在多个匹配规则时，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，并忽略超过该上限的内容 。
| ||||||||||||||||||||||||||||||||||