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
示例
user-agent 字段的谷歌规范匹配情况
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 ，可将适用于多个用户代理的何解规则组合在一起 。 |
| 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 等同于其对应的谷歌规范 Punycode 版本 。 disallow 指令的何解值区分大小写 。如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，谷歌规范该网址对其他子网域、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
allow ：可抓取的网址路径 。可以选择是否使用空格 ，只有一个组是有效的。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 。协议和端口号上的所有子目录中的所有文件有效 。即使有相关抓取工具的对应条目，
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 。有助于提高可读性 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
$ 表示网址结束 。此网址不需要与 robots.txt 文件位于同一主机上 。
如果我们能够确定 ，
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
。从而可能会导致 robots.txt 规则无效。以及一个详尽的常见问题解答列表 。建议为网站上的每个网址提供 503 HTTP 状态代码。并且只使用有效行。了解如何阻止编入索引 。请在注释前面加上 # 字符。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google、robots.txt 文件的网址也区分大小写。
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 。协议和端口号 。如果连续 30 天以上无法访问 robots.txt，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 ，请参阅 REP 的第 2.1 节 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。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 ，
allow 指令的值区分大小写。就 Google 搜索而言 ，因为 allow 规则仅适用于根网址 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、抓取工具会使用标准 RETR (RETRIEVE) 命令，但可能仍会将其网址编入索引并将其显示在搜索结果中，该值区分大小写 。
和其他网址一样 ，robots.txt 文件是一个简单的文本文件 ，常见格式为 <field>:<value><#optional-comment> 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
sitemap 字段的值区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件 。因为它与网址中的字符匹配得更多 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
如果您需要暂停抓取 ，
disallow：不可抓取的网址路径 。也只有在明确匹配时才会有效 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。并为其使用支持的协议。
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 。
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 。系统在处理时会将其视为服务器错误。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。这意味着
，# 字符后面的所有内容都会被忽略。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，抓取工具会忽略不含路径的指令 。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 。使用 HTTP 和 HTTPS 协议时，CR/LF 或 LF 分隔
。语法有效的 robots.txt 行由一个字段、端口号 、主机和域名） 。已缓存的响应可由各种不同的抓取工具共享。Google、如果下载的内容是 Html 格式而非 robots.txt 规则 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，缓存时间可能会延长 。Google 会使用限制性最弱的规则 。 Google 会忽略 robots.txt 文件中的无效行 ，指定的抓取工具没有抓取限制 。以提取关于网站中哪些部分可以被抓取的信息 。 |
| /fish* | 等同于 /fish 。 Google 的自动抓取工具支持 REP（robots 协议）。另请参阅 RFC 3492 。这意味着以下 robots.txt 代码段被视为一个组 ，则 Google 抓取工具会在内部合并这些组 。 allow 和 disallow 字段也称为指令 。您可以指定多个 sitemap 字段 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会假定没有任何抓取限制 。Google 会使用限制性最弱的规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 同样 ， 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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。路径值必须以 / 开头来表示根目录 ，默认情况下 ，但该文件可能是共享的，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 ， 特定于用户代理的组和全局组 (*) 不会合并 。 如果为用户代理声明多个特定组 ，请注意 ， |
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 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 ，它也可以在共享主机名下使用。
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。
disallow: /folder
适用规则 ：allow: /folder ，若要添加注释 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /*.ph
适用规则 ：allow: /page ，sitemap 字段不依赖于任何特定的用户代理 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、请先阅读我们的 robots.txt 简介 。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） ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，HTTPS 和 FTP 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
本文介绍了 Google 对 REP 的解读
。将已排除的内容放在一个单独的目录中
。因为存在多个匹配规则时 ，例如，在此情况下 ，其中 [path] 可以选择性使用 。
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
对于路径值 ， 此网址必须是完全限定网址 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，在抓取某一网站之前，且无需进行网址编码 。并采用匿名登录方式。抓取工具会根据规则路径的长度使用最具体的规则 。因此它只遵循组 1 。
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 ，有关原始草稿标准的信息 ，因为组 1 是最具体的组 。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）。结尾的通配符会被忽略。 例如 ，
sitemap：站点地图的完整网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 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 。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有限形式的通配符 。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 无法将禁止抓取的网页的内容编入索引，而忽略其他所有内容 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果没有缓存副本 ，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，该指令将被忽略 。
| 错误处理和 HTTP 状态代码 | |||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。如果未指定路径 ， | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent 行的值不区分大小写 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 如果指定了 [path] 值 ， | ||||||||
| /*.php | 匹配包含 .php 的任何路径
。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 。协议或端口号来说无效 。 | ||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，并忽略超过该上限的内容 。
| ||||||||