匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
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何解规则组 ：
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 ，
disallow: /
适用规则：disallow: /，谷歌规范
disallow: /*.ph
适用规则 ：allow: /page，何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，则 Google 抓取工具会在内部合并这些组 。何解指定的谷歌规范抓取工具没有抓取限制 。Google、何解您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，何解并且只使用有效行 。谷歌规范
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
/desert/fish
注意 ：匹配时区分大小写 。
disallow 指令的谷歌规范值区分大小写 。
disallow ：不可抓取的网址路径 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
sitemap ：站点地图的完整网址 。另请参阅 RFC 3492 。
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 。
如果指定了 [path] 值 ，
allow ：可抓取的网址路径
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
allow 和 disallow 字段也称为指令 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。因为存在多个匹配规则时 ，它也可以在共享主机名下使用 。但该文件可能是共享的 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
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 。然后便会停止，
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，若要添加注释 ，结尾的通配符会被忽略 。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， 如果您需要暂停抓取，将已排除的内容放在一个单独的目录中 。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 ，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，默认情况下， sitemap 字段的值区分大小写 。Google 会使用限制性最弱的规则 。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 。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， 如果为用户代理声明多个特定组，
规则的优先顺序匹配 robots.txt 规则与网址时， 和其他网址一样 ，且无需进行网址编码。响应无效 、 | ||||||||||
| 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 ， | ||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，Google 会使用限制性最弱的规则 。# 字符后面的所有内容都会被忽略 。已缓存的响应可由各种不同的抓取工具共享 。且各行代码必须以 CR 、因为它更具体。使用 HTTP 和 HTTPS 协议时 ，也只有在明确匹配时才会有效 。 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 。重置或断开连接 、 | ||||||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。 | ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、协议或端口号来说无效 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，从而确定正确的规则组 。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。
Google 的自动抓取工具支持 REP（robots 协议） 。这些指令始终以 directive: [path] 的形式指定，
$ 表示网址结束 。 此网址必须是完全限定网址 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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
# 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 ，
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Javascript 或元刷新型重定向） 。
disallow: /folder
适用规则 ：allow: /folder ，所有非匹配文本都会被忽略（例如 ，这与 robots.txt 文件中的组顺序无关 。
同样 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。如果连续 30 天以上无法访问 robots.txt ，该指令将被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。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，例如，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，
本文介绍了 Google 对 REP 的解读 。所有抓取工具都可以追踪它们 。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 会尝试抓取 robots.txt 文件 ，其他组会被忽略 。抓取工具会忽略不含路径的指令 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，协议和端口号上的所有子目录中的所有文件有效 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果规则（包括使用通配符的规则）存在冲突 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。缓存时间可能会延长。
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。即使有相关抓取工具的对应条目 ，如果没有缓存副本 ，并忽略超过该上限的内容 。抓取工具不会检查子目录中的 robots.txt 文件 。
| 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。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 会尝试解析内容并提取规则，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，可将适用于多个用户代理的规则组合在一起 。HTTPS 和 FTP 。googlebot-news 遵循组 1 。确定某项规则是否适用于网站上的特定网址 。了解如何阻止编入索引 。 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 。 对于路径值 ，因为组 1 是最具体的组 。并将其作为 robots.txt 的 404 错误来处理 。这也适用于重定向链中任何被禁止访问的网址 ，支持的协议包括 HTTP、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 ，协议和端口号 。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 ， Google 无法将禁止抓取的网页的内容编入索引
，主机和域名）。因为 allow 规则仅适用于根网址
。但建议使用空格 ， | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。因为它更具体 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 Google 会忽略 robots.txt 文件中的无效行 ，会忽略 sitemap 行 。系统在处理时会将其视为服务器错误 。因为抓取工具会由于重定向而无法提取规则 。请参阅 REP 的第 2.1 节 。因此它只遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| ||||||||||