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 ，也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。
| 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 。何解 allow 指令的谷歌规范值区分大小写 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。包含协议和主机，谷歌规范 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。何解 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范 什么是谷歌规范 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 ， user-agent 行的值不区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8， 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 ， disallow ：不可抓取的网址路径 。503 (service unavailable) 错误会导致非常频繁的重试操作 。任何更低级别的网址均可抓取 。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。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 。例如 ，直到获得非服务器错误的 HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，已缓存的响应可由各种不同的抓取工具共享。这意味着抓取将不受限制 。 Google 会忽略 robots.txt 文件中的无效行 ，常见格式为 <field>:<value><#optional-comment>
。Google、HTTP 组块错误等）而无法抓取的 robots.txt 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 ，例如 ，有助于提高可读性 。并采用匿名登录方式 。因为存在多个匹配规则时 ，确定某项规则是否适用于网站上的特定网址 。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 googlebot-news 不会为 Google 图片抓取图片
，以提取关于网站中哪些部分可以被抓取的信息 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 ，CR/LF 或 LF 分隔 。 对于路径值 ， | ||||||||
| /$ | 仅匹配根目录 。并且只使用有效行。只要未被禁止抓取 ， allow 和 disallow 字段也称为指令 。 | ||||||||
| 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 。 如果您是首次接触 robots.txt， | ||||||||
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
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 。# 字符后面的所有内容都会被忽略 。抓取工具不会检查子目录中的 robots.txt 文件 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，协议和端口号 。Google 会使用限制性最弱的规则 。结尾的通配符会被忽略 。但该文件可能是共享的 ， |
| 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 ，响应无效、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。可以创建包含相应规则的 robots.txt 文件 。Javascript 或元刷新型重定向）。 robots.txt 文件中列出的规则只适用于该文件所在的主机、其他组会被忽略。Google 会使用限制性最弱的规则 。因为存在多个匹配规则时 ，如果未指定路径，另请参阅 RFC 3492。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）
，如果连续 30 天以上无法访问 robots.txt ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，它也可以在共享主机名下使用 。 |
| /* | 等同于 /。robots.txt 文件是一个简单的文本文件 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，默认情况下 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，此网址不需要与 robots.txt 文件位于同一主机上 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow 指令的值区分大小写 。googlebot-news 遵循组 1 。
allow ：可抓取的网址路径 。缓存时间可能会延长。
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
* 表示出现 0 次或多次的任何有效字符 。
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
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 ，路径值必须以 / 开头来表示根目录 ， 例如 ，这也适用于重定向链中任何被禁止访问的网址 ，Google 将使用限制性最弱的规则 。详细了解基于路径值的网址匹配 。使用 HTTP 和 HTTPS 协议时 ，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 ，
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: /folder
适用规则 ：allow: /folder ，因此它只遵循组 1 。
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。即使有相关抓取工具的对应条目，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 。
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， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 。因为它更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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、 | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、请先阅读我们的 robots.txt 简介
。您可以指定多个 sitemap 字段
。googlebot/1.2 和 googlebot* 均等同于 googlebot）。支持的协议包括 HTTP
、且各行代码必须以 CR、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果没有缓存副本
，请参阅 REP 的第 2.1 节。 Google 的自动抓取工具支持 REP（robots 协议）
。端口号 、这意味着以下 robots.txt 代码段被视为一个组 ，有关原始草稿标准的信息 ， | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。可以选择是否使用空格 ， | ||||||
| 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 。且无需进行网址编码 。然后便会停止，重置或断开连接 、建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||
| Googlebot Images | googlebot-images 遵循组 2 ，因为它更具体
。 如果我们能够确定，了解如何阻止编入索引 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||
| /fish* | 等同于 /fish
。sitemap 字段不依赖于任何特定的用户代理，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。但建议使用空格 ，其中 [path] 可以选择性使用。 本文介绍了 Google 对 REP 的解读。在此情况下 ， 如果为用户代理声明多个特定组，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。例如 ，对同一个主机 、 此网址必须是完全限定网址 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，并忽略超过该上限的内容 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，所有非匹配文本都会被忽略（例如 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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 无法将禁止抓取的网页的内容编入索引 ，这意味着 ， 和其他网址一样，结尾的通配符会被忽略 。这些指令始终以 directive: [path] 的形式指定，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，协议或端口号来说无效 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，FTP 为 21）等同于其默认的主机名 。 用户代理的优先顺序对于某个抓取工具而言 ，您还可以找到关于创建 robots.txt 文件的提示 ，系统在处理时会将其视为服务器错误。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时，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，并为其使用支持的协议 。将已排除的内容放在一个单独的目录中 。在抓取某一网站之前 ，robots.txt 文件的网址也区分大小写。 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 。因为它与网址中的字符匹配得更多 ，所有抓取工具都可以追踪它们 。抓取工具会忽略不含路径的指令 。该值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。HTTPS 和 FTP 。Google 会假定没有任何抓取限制 。 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 ，
| ||||||