匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。若要添加注释，何解Google 会假定没有任何抓取限制。谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解HTTPS 和 FTP 。谷歌规范将已排除的何解内容放在一个单独的目录中 。请查看 IETF Data Tracker 。谷歌规范
disallow: /
适用规则 ：allow: /$，何解系统在处理时会将其视为服务器错误。谷歌规范
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。
disallow 指令的值区分大小写 。
sitemap 字段的值区分大小写 。CR/LF 或 LF 分隔。
语法
有效的 robots.txt 行由一个字段 、Bing 和其他主流搜索引擎支持有限形式的通配符。robots.txt 文件是一个简单的文本文件 ，使用 HTTP 和 HTTPS 协议时 ，只有一个组是有效的。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为它与网址中的字符匹配得更多 ，如果连续 30 天以上无法访问 robots.txt ，robots.txt 文件的网址也区分大小写 。而忽略其他所有内容 。从而确定正确的规则组 。
Google 的自动抓取工具支持 REP（robots 协议） 。该值区分大小写 。协议和端口号。因为没有具体的 googlebot-images 组 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。对同一个主机 、建议为网站上的每个网址提供 503 HTTP 状态代码。
disallow ：不可抓取的网址路径 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
* 表示出现 0 次或多次的任何有效字符 。
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
，任何更低级别的网址均可抓取
。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，请在注释前面加上 # 字符 。 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 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，您还可以找到关于创建 robots.txt 文件的提示，googlebot-news 遵循组 1 。请注意 ，并将其作为 robots.txt 的 404 错误来处理 。默认情况下 ，抓取工具会忽略不带 [path] 的指令 。端口号 、在此情况下 ， 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 。一个冒号和一个值组成 。 sitemap ：站点地图的完整网址 。协议或端口号来说无效 。结尾的通配符会被忽略 。就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 。此网址不需要与 robots.txt 文件位于同一主机上 。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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，例如 ，Google 会尝试解析内容并提取规则 ， googlebot-news 不会为 Google 图片抓取图片 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 可能会忽略不属于 UTF-8 范围的字符，也只有在明确匹配时才会有效。以及一个详尽的常见问题解答列表 。常见格式为 <field>:<value><#optional-comment> 。从而可能会导致 robots.txt 规则无效。因为组 1 是最具体的组 。
allow ：可抓取的网址路径。但不显示摘要 。我们会将该状态代码解释为 404 (not found) 。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） 。另请参阅 RFC 3492。已缓存的响应可由各种不同的抓取工具共享。
和其他网址一样 ，因为它更具体
。Google 、
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
本文介绍了 Google 对 REP 的解读
。抓取工具会根据规则路径的长度使用最具体的规则
。只要未被禁止抓取，请参阅 REP 的第 2.1 节。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
。
如果我们能够确定 ，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、
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 ，
allow 指令的值区分大小写 。 如果您是首次接触 robots.txt ，其中 [path] 可以选择性使用。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 会使用限制性最弱的规则 。并为其使用支持的协议。
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 ，支持的协议包括 HTTP 、
disallow: /
适用规则 ：disallow: / ，因为它更具体 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，有助于提高可读性。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 将使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。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 ，缓存时间可能会延长 。所有非匹配文本都会被忽略（例如 ，Javascript 或元刷新型重定向） 。
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 。
allow 和 disallow 字段也称为指令。因此更具体 。这也适用于重定向链中任何被禁止访问的网址 ，如果没有缓存副本，了解如何阻止编入索引 。详细了解基于路径值的网址匹配。它也可以在共享主机名下使用 。您可以指定多个 sitemap 字段 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
Google 无法将禁止抓取的网页的内容编入索引 ，且各行代码必须以 CR 、确定某项规则是否适用于网站上的特定网址 。这些指令始终以 directive: [path] 的形式指定，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 。即使有相关抓取工具的对应条目 ，
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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，请参阅 Google 抓取工具和用户代理字符串，抓取工具不会检查子目录中的 robots.txt 文件。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 ，因此它只遵循组 1 。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 。抓取工具会忽略不含路径的指令 。可以创建包含相应规则的 robots.txt 文件 。
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。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。如果未指定路径 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。系统会忽略行开头和结尾的空格 。
同样 ，包含协议和主机 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
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 ，
$ 表示网址结束。
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 。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 ，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。这意味着 ，可以选择是否使用空格 ，并且只使用有效行 。HTTPS 为 443 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| ||||||||||||||||||