匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，只有一个组是有效的 。从而确定正确的规则组。您可以指定多个 sitemap 字段。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。就 Google 搜索而言，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 、并忽略超过该上限的内容。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、了解如何阻止编入索引 。对同一个主机 、 googlebot-news 不会为 Google 图片抓取图片 ，Google 、抓取工具不会检查子目录中的 robots.txt 文件。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具
。包含协议和主机 ，Google 、 |
| /*.php | 匹配包含 .php 的任何路径。但建议使用空格， Google 的自动抓取工具支持 REP（robots 协议）
。常见格式为 <field>:<value><#optional-comment> 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 同样 ， |
| 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 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，robots.txt 文件是一个简单的文本文件 ，抓取工具会忽略不带 [path] 的指令 。 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 。 |
| 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。 Google 无法将禁止抓取的网页的内容编入索引 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，所有非匹配文本都会被忽略（例如 ，请查看 IETF Data Tracker 。
本文介绍了 Google 对 REP 的解读 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。默认情况下 ，
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 ，因为 allow 规则仅适用于根网址 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突 ，robots.txt 文件的网址也区分大小写 。会忽略 sitemap 行 。有关原始草稿标准的信息 ，可将适用于多个用户代理的规则组合在一起 。请参阅 REP 的第 2.1 节 。
如果指定了 [path] 值 ，
disallow 指令的值区分大小写 。
sitemap ：站点地图的完整网址 。另请参阅 RFC 3492 。
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。
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
，# 字符后面的所有内容都会被忽略。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| /* | 等同于 / 。如果没有缓存副本 ，即使有相关抓取工具的对应条目 ，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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此它只遵循组 1。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。指定的抓取工具没有抓取限制 。
语法
有效的 robots.txt 行由一个字段 、
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 。主机和域名）。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，一个冒号和一个值组成 。但可能仍会将其网址编入索引并将其显示在搜索结果中，协议和端口号 。
和其他网址一样 ，因为它与网址中的字符匹配得更多 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，因为存在多个匹配规则时，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
# 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，在抓取某一网站之前 ，
$ 表示网址结束
。如果连续 30 天以上无法访问 robots.txt
，并为其使用支持的协议 。为此，
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
sitemap 字段的值区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Javascript 或元刷新型重定向） 。在此情况下 ，例如 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，重置或断开连接、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。支持的协议包括 HTTP 、sitemap 字段不依赖于任何特定的用户代理 ，端口号 、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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
user-agent 行的值不区分大小写 。 特定于用户代理的组和全局组 (*) 不会合并 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。您还可以找到关于创建 robots.txt 文件的提示 ，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。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，请参阅 Google 抓取工具和用户代理字符串 ，响应无效 、
allow ：可抓取的网址路径 。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 ，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 ，
| 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 。以提取关于网站中哪些部分可以被抓取的信息 。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 ，HTTPS 和 FTP 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。因为组 1 是最具体的组 。且各行代码必须以 CR、如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ，Google 会尝试抓取 robots.txt 文件 ，因为没有具体的 googlebot-images 组 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| ||||||||||||||||||||||||||||||||