| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。谷歌规范以提取关于网站中哪些部分可以被抓取的何解信息 。因为它更具体
。谷歌规范FTP 为 21）等同于其默认的何解主机名 。从而确定正确的谷歌规范规则组 。Javascript 或元刷新型重定向） 。何解该指令将被忽略。谷歌规范在此情况下 ，何解 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 |
| /*.php | 匹配包含 .php 的任何路径。什么是何解 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，默认情况下 ，谷歌规范抓取工具不会检查子目录中的何解 robots.txt 文件 。 user-agent 行的谷歌规范值不区分大小写 。请注意 ，何解Google 、谷歌规范 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，example.com 的 robots.txt 文件可能如下所示 ： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ，所有抓取工具都可以追踪它们 。您还可以找到关于创建 robots.txt 文件的提示 ，有关原始草稿标准的信息 ，任何更低级别的网址均可抓取 。 对于路径值 ， |
| /$ | 仅匹配根目录 。而忽略其他所有内容 。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。 |
| 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 ，在抓取某一网站之前 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 。 如果我们能够确定 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着抓取将不受限制 。 如果为用户代理声明多个特定组 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 sitemap 字段的值区分大小写 。并忽略超过该上限的内容 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为它与网址中的字符匹配得更多，并且只使用有效行。从而可能会导致 robots.txt 规则无效 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用该 robots.txt 的最后一个缓存副本 。
同样 ，Google 会使用限制性最弱的规则 。Google 会尝试解析内容并提取规则 ，
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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并采用匿名登录方式 。
* 表示出现 0 次或多次的任何有效字符
。CR/LF 或 LF 分隔 。并为其使用支持的协议。并将其作为 robots.txt 的 404 错误来处理。
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。例如，
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 ，只有一个组是有效的。Google 会使用限制性最弱的规则 。
$ 表示网址结束 。 googlebot-news 不会为 Google 图片抓取图片，以及一个详尽的常见问题解答列表 。HTTPS 和 FTP 。另请参阅 RFC 3492。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具会忽略不含路径的指令
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， 如果您是首次接触 robots.txt ，重置或断开连接、 特定于用户代理的组和全局组 (*) 不会合并 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ，请查看 IETF Data Tracker 。它也可以在共享主机名下使用 。 |
| 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 。指定的抓取工具没有抓取限制。如果未指定路径 ， 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 ，就 Google 搜索而言 ，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。就会将该网站的 5xx 错误作为 404 错误处理 。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 。googlebot-news 遵循组 1 。
allow：可抓取的网址路径 。这些指令始终以 directive: [path] 的形式指定 ，可将适用于多个用户代理的规则组合在一起 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、可以选择是否使用空格 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。直到获得非服务器错误的 HTTP 状态代码 。使用 HTTP 和 HTTPS 协议时，
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
，其他组会被忽略 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。您可以指定多个 sitemap 字段。这意味着以下 robots.txt 代码段被视为一个组，Google 会假定没有任何抓取限制 。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） ，抓取工具会根据规则路径的长度使用最具体的规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。且各行代码必须以 CR 、 |
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 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 。 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 。 disallow 指令的值区分大小写。 Google 会忽略 robots.txt 文件中的无效行 ，了解如何阻止编入索引 。 和其他网址一样
，且无需进行网址编码 。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，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
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。为此 ，会忽略 sitemap 行 。但建议使用空格 ，
| 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。该网址对其他子网域 、这与 robots.txt 文件中的组顺序无关 。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） 。这也适用于重定向链中任何被禁止访问的网址 ，
| ||||||||||||||||||||||||||||