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
# 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，下面说明了抓取工具如何理解之前的何解 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，
语法
有效的 robots.txt 行由一个字段 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，端口号、
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。对同一个主机 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
和其他网址一样 ，而忽略其他所有内容。robots.txt 文件的网址也区分大小写 。所有非匹配文本都会被忽略（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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并忽略超过该上限的内容 。
同样 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，如果规则（包括使用通配符的规则）存在冲突 ，以及一个详尽的常见问题解答列表 。系统会忽略行开头和结尾的空格 。其他组会被忽略 。即使有相关抓取工具的对应条目 ，指定的抓取工具没有抓取限制。因此更具体 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、可以选择是否使用空格，则 Google 抓取工具会在内部合并这些组。因此它只遵循组 1 。并且只使用有效行 。
用户代理的优先顺序
对于某个抓取工具而言 ，
sitemap 字段的值区分大小写 。FTP 为 21）等同于其默认的主机名 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，请注意 ，例如，这些通配符包括： * 表示出现 0 次或多次的任何有效字符
。因为存在多个匹配规则时 ， |
| /fish | 匹配以 /fish 开头的任何路径
。 user-agent 行的值不区分大小写。该值区分大小写 。可将适用于多个用户代理的规则组合在一起 。robots.txt 文件是一个简单的文本文件 ，抓取工具会忽略不含路径的指令。 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 。从而确定正确的规则组 。我们会将该状态代码解释为 404 (not found) 。因为组 1 是最具体的组 。若要添加注释 ， |
| http://www.exämple.com/robots.txt | 适用于 ： 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。 此网址必须是完全限定网址 ，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）。 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 ，并为其使用支持的协议。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 |
| 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 ， |
| Googlebot News（抓取图片时） | 抓取图片时， |
| 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 ， 如果指定了 [path] 值，已缓存的响应可由各种不同的抓取工具共享 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，这也适用于重定向链中任何被禁止访问的网址 ，CR/LF 或 LF 分隔 。 |
| /$ | 仅匹配根目录。# 字符后面的所有内容都会被忽略
。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 。请在注释前面加上 # 字符
。一个冒号和一个值组成 。 disallow：不可抓取的网址路径。缓存时间可能会延长 。响应无效 、 对于路径值，因为它与网址中的字符匹配得更多 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，Google、 |
| 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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。但不显示摘要 。所有抓取工具都可以追踪它们 。任何更低级别的网址均可抓取 。会忽略 sitemap 行 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。 Google 的自动抓取工具支持 REP（robots 协议） 。例如 ，sitemap 字段不依赖于任何特定的用户代理 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ，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 、 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 。Google 会使用限制性最弱的规则
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，且无需进行网址编码 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。例如
， Google 会忽略 robots.txt 文件中的无效行，因为它更具体 。因为 allow 规则仅适用于根网址 。Google 会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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，使用 HTTP 和 HTTPS 协议时 ，Javascript 或元刷新型重定向）。如果连续 30 天以上无法访问 robots.txt ，这意味着 ，如果 robots.txt 文件的字符编码不是 UTF-8，协议和端口号 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， |
| 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 。了解如何阻止编入索引 。 googlebot-news 不会为 Google 图片抓取图片 ，您可以指定多个 sitemap 字段 。该网址对其他子网域、 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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 ， |
| 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 。 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 ，路径值必须以 / 开头来表示根目录 ，但建议使用空格 ，详细了解基于路径值的网址匹配 。 |
| 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 。就会将该网站的 5xx 错误作为 404 错误处理 。请参阅 REP 的第 2.1 节
。 Google 无法将禁止抓取的网页的内容编入索引，协议和端口号上的所有子目录中的所有文件有效 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、以提取关于网站中哪些部分可以被抓取的信息
。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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，重置或断开连接 、Google 会假定没有任何抓取限制 。请参阅 Google 抓取工具和用户代理字符串 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。默认情况下 ， |
| http://example.com/folder/robots.txt | 不是有效的 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 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，且各行代码必须以 CR、 $ 表示网址结束 。有助于提高可读性
。HTTPS 为 443 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时，在抓取某一网站之前 ，抓取工具不会检查子目录中的 robots.txt 文件 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。从而可能会导致 robots.txt 规则无效 。结尾的通配符会被忽略 。支持的协议包括 HTTP 、
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为抓取工具会由于重定向而无法提取规则。Google 将使用限制性最弱的规则 。如果未指定路径
，然后便会停止 ，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 。并将其作为 robots.txt 的 404 错误来处理 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，googlebot-news 遵循组 1。抓取工具会忽略不带 [path] 的指令 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 特定于用户代理的组和全局组 (*) 不会合并 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 allow ：可抓取的网址路径。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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），但该文件可能是共享的 ，
| ||||||||||||||||||||