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 ，
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，缓存时间可能会延长 。何解
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。谷歌规范什么是何解 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 ， |
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解协议和端口号 。谷歌规范例如 ，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，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 将使用限制性最弱的规则 。
disallow ：不可抓取的网址路径。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
如果您需要暂停抓取 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
语法
有效的 robots.txt 行由一个字段 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
allow 指令的值区分大小写。如果未指定路径 ，
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。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，请在注释前面加上 # 字符 。
disallow: /
适用规则 ：disallow: / ，请查看 IETF Data Tracker 。有关原始草稿标准的信息 ，主机和域名） 。在此情况下，对同一个主机 、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 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为它与网址中的字符匹配得更多，
同样，因此更具体 。如果连续 30 天以上无法访问 robots.txt ，
本文介绍了 Google 对 REP 的解读 。并忽略超过该上限的内容 。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） 。请参阅 Google 抓取工具和用户代理字符串 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 如果您是首次接触 robots.txt ，
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 ，
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。请参阅 REP 的第 2.1 节 。且无需进行网址编码 。 googlebot-news 不会为 Google 图片抓取图片 ，并且只使用有效行 。robots.txt 文件是一个简单的文本文件 ，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 。端口号、因为 allow 规则仅适用于根网址 。包含协议和主机 ，也只有在明确匹配时才会有效 。
$ 表示网址结束
。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） ，Javascript 或元刷新型重定向） 。您可以指定多个 sitemap 字段 。则 Google 抓取工具会在内部合并这些组 。robots.txt 文件的网址也区分大小写 。
如果我们能够确定，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 。但该文件可能是共享的 ，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，并将其作为 robots.txt 的 404 错误来处理 。并采用匿名登录方式
。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
，在抓取某一网站之前 ，可将适用于多个用户代理的规则组合在一起 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为它更具体 。
sitemap 字段的值区分大小写。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
用户代理的优先顺序
对于某个抓取工具而言 ， 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 。抓取工具会根据规则路径的长度使用最具体的规则 。
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
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 。
如果为用户代理声明多个特定组 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、会忽略 sitemap 行 。
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 。我们会将该状态代码解释为 404 (not found)。可以创建包含相应规则的 robots.txt 文件。# 字符后面的所有内容都会被忽略 。
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 。
user-agent 行的值不区分大小写。路径值必须以 / 开头来表示根目录， 此网址必须是完全限定网址 ，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 。这意味着，
disallow: /folder
适用规则 ：allow: /folder ，Google 会使用限制性最弱的规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。响应无效 、因为存在多个匹配规则时，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，然后便会停止 ，且各行代码必须以 CR 、只有一个组是有效的 。如果没有缓存副本 ，系统会忽略行开头和结尾的空格 。因为没有具体的 googlebot-images 组。Google 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
robots.txt 文件中列出的规则只适用于该文件所在的主机 、此网址不需要与 robots.txt 文件位于同一主机上 。例如 ，协议和端口号上的所有子目录中的所有文件有效。另请参阅 RFC 3492。Google 会使用限制性最弱的规则 。因为抓取工具会由于重定向而无法提取规则。支持的协议包括 HTTP 、为此 ，因为存在多个匹配规则时 ，从而可能会导致 robots.txt 规则无效 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，只要未被禁止抓取 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，就 Google 搜索而言 ，如果规则（包括使用通配符的规则）存在冲突 ，您还可以找到关于创建 robots.txt 文件的提示 ，其中 [path] 可以选择性使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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 。重置或断开连接 、
allow ：可抓取的网址路径 。CR/LF 或 LF 分隔。
如果指定了 [path] 值 ，所有非匹配文本都会被忽略（例如 ， 例如 ，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，
disallow: /*.ph
适用规则 ：allow: /page ，因为它更具体 。
Google 会忽略 robots.txt 文件中的无效行 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。详细了解基于路径值的网址匹配 。
Google 的自动抓取工具支持 REP（robots 协议） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。使用 HTTP 和 HTTPS 协议时 ，
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 无法将禁止抓取的网页的内容编入索引 ，结尾的通配符会被忽略 。这与 robots.txt 文件中的组顺序无关。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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
。Google 会尝试解析内容并提取规则 ， 特定于用户代理的组和全局组 (*) 不会合并。
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 。
| 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 。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 ，系统在处理时会将其视为服务器错误 。 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 ：
| ||||||||||||||||||