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
和其他网址一样 ，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，以提取关于网站中哪些部分可以被抓取的何解信息 。指定的谷歌规范抓取工具没有抓取限制 。
同样 ，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。协议和端口号上的何解所有子目录中的所有文件有效 。
Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。所有非匹配文本都会被忽略（例如 ，从而确定正确的规则组 。
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 ，协议或端口号来说无效 。这意味着以下 robots.txt 代码段被视为一个组 ， 此网址必须是完全限定网址 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 例如，因为它更具体。
disallow 指令的值区分大小写。默认情况下 ，抓取工具会根据规则路径的长度使用最具体的规则。支持的协议包括 HTTP 、已缓存的响应可由各种不同的抓取工具共享。HTTPS 和 FTP 。因为存在多个匹配规则时 ，而忽略其他所有内容。并为其使用支持的协议。会忽略 sitemap 行 。因为它更具体 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，我们会将该状态代码解释为 404 (not found) 。
对于路径值 ，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。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） ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时， 特定于用户代理的组和全局组 (*) 不会合并 。了解如何阻止编入索引 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果未指定路径 ，
allow ：可抓取的网址路径 。因为 allow 规则仅适用于根网址 。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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，在抓取某一网站之前 ，请查看 IETF Data Tracker 。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） 。Google 、以及一个详尽的常见问题解答列表 。# 字符后面的所有内容都会被忽略 。
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 。结尾的通配符会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 。直到获得非服务器错误的 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 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap 字段的值区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow: /folder
适用规则 ：allow: /folder，常见格式为 <field>:<value><#optional-comment> 。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，且无需进行网址编码。对同一个主机、
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，协议和端口号 。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 。Google 会使用该 robots.txt 的最后一个缓存副本。Google 会使用限制性最弱的规则 。
disallow: /
适用规则 ：allow: /$ ，例如 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。系统会忽略行开头和结尾的空格 。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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 和 disallow 字段也称为指令。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 。此网址不需要与 robots.txt 文件位于同一主机上 。如果没有缓存副本 ，请注意 ，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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，从而可能会导致 robots.txt 规则无效 。且各行代码必须以 CR 、
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，系统在处理时会将其视为服务器错误 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
user-agent 行的值不区分大小写 。它也可以在共享主机名下使用 。则 Google 抓取工具会在内部合并这些组 。
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
如果您需要暂停抓取 ，
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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。您还可以找到关于创建 robots.txt 文件的提示 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。也只有在明确匹配时才会有效 。
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 ，若要添加注释 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， 语法有效的 robots.txt 行由一个字段 、 |
| 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 。并采用匿名登录方式 。HTTPS 为 443，robots.txt 文件是一个简单的文本文件 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
| 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， disallow ：不可抓取的网址路径 。因为抓取工具会由于重定向而无法提取规则。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 指令的值区分大小写 。googlebot-news 遵循组 1 。其他组会被忽略 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
如果为用户代理声明多个特定组 ，主机和域名） 。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 、缓存时间可能会延长 。可以选择是否使用空格，任何更低级别的网址均可抓取 。
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 ，
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，将已排除的内容放在一个单独的目录中 。
| ||||||||||||||||||||||