匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范example.com 的何解 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 ，
disallow: /
适用规则 ：disallow: /，谷歌规范
disallow: /*.ph
适用规则 ：allow: /page ，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 。谷歌规范从而可能会导致 robots.txt 规则无效 。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。
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
， 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 ，谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解 |
| /* | 等同于 /。谷歌规范建议为网站上的何解每个网址提供 503 HTTP 状态代码 。有效 robots.txt 网址的谷歌规范示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、常见格式为 <field>:<value><#optional-comment> 。因此更具体 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，它也可以在共享主机名下使用 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、这也适用于重定向链中任何被禁止访问的网址，Google 会假定没有任何抓取限制 。在此情况下 ， 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 为 443 ，可将适用于多个用户代理的规则组合在一起 。 |
| /$ | 仅匹配根目录
。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 ， 和其他网址一样， allow 和 disallow 字段也称为指令。所有非匹配文本都会被忽略（例如 ，因为 allow 规则仅适用于根网址。只要未被禁止抓取 ，Google 会使用限制性最弱的规则 。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 。 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 。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 。 Google 会忽略 robots.txt 文件中的无效行 ，robots.txt 文件的网址也区分大小写。因为它更具体 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，因为抓取工具会由于重定向而无法提取规则。HTTPS 和 FTP 。Google 会使用限制性最弱的规则 。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 。
本文介绍了 Google 对 REP 的解读。只有一个组是有效的 。所有抓取工具都可以追踪它们 。但不显示摘要 。直到获得非服务器错误的 HTTP 状态代码。请查看 IETF Data Tracker 。
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 ，
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 。
| 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 。任何更低级别的网址均可抓取 。协议或端口号来说无效 。Google 会使用该 robots.txt 的最后一个缓存副本 。但该文件可能是共享的 ，因为没有具体的 googlebot-images 组 。 |
| 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 ， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。CR/LF 或 LF 分隔 。 |
| /fish | 匹配以 /fish 开头的任何路径 。这意味着 ，该网址对其他子网域 、 Google 的自动抓取工具支持 REP（robots 协议） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，以提取关于网站中哪些部分可以被抓取的信息 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 特定于用户代理的组和全局组 (*) 不会合并。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 。
$ 表示网址结束 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为它更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如 ，
用户代理的优先顺序
对于某个抓取工具而言， googlebot-news 不会为 Google 图片抓取图片 ，响应无效 、
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 。请注意 ，
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 allow 指令的值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。 对于路径值 ， | ||||||||||||||||||||
| 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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。指定的抓取工具没有抓取限制。 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 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 sitemap ：站点地图的完整网址 。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， Google 无法将禁止抓取的网页的内容编入索引 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。请在注释前面加上 # 字符 。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 、
规则的优先顺序匹配 robots.txt 规则与网址时 ，有助于提高可读性 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，其中 [path] 可以选择性使用 。这与 robots.txt 文件中的组顺序无关 。 如果您是首次接触 robots.txt ，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 。请先阅读我们的 robots.txt 简介。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不含路径的指令 。 disallow
：不可抓取的网址路径 。 | ||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。并将其作为 robots.txt 的 404 错误来处理 。因为组 1 是最具体的组 。 | ||||||||||||||||||||
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 ，例如，例如 ，在抓取某一网站之前 ，
如果您需要暂停抓取 ，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） ， 例如，缓存时间可能会延长 。
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 。
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，sitemap 字段不依赖于任何特定的用户代理，其他组会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、也只有在明确匹配时才会有效 。Google 可能会忽略不属于 UTF-8 范围的字符 ，抓取工具会忽略不带 [path] 的指令 。Google 会尝试抓取 robots.txt 文件 ，已缓存的响应可由各种不同的抓取工具共享
。Bing 和其他主流搜索引擎支持有限形式的通配符 。但可能仍会将其网址编入索引并将其显示在搜索结果中，而忽略其他所有内容 。
如果指定了 [path] 值
，结尾的通配符会被忽略
。从而确定正确的规则组 。但建议使用空格
，这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这意味着抓取将不受限制 。我们会将该状态代码解释为 404 (not found) 。以及一个详尽的常见问题解答列表
。可以创建包含相应规则的 robots.txt 文件 。