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 。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。
Google 会忽略 robots.txt 文件中的无效行 ，
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 。并采用匿名登录方式 。例如 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，就会将该网站的 5xx 错误作为 404 错误处理 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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，从而可能会导致 robots.txt 规则无效。
和其他网址一样 ，
语法
有效的 robots.txt 行由一个字段 、使用 HTTP 和 HTTPS 协议时，例如 ，因为它更具体 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。抓取工具会忽略不含路径的指令 。
allow
：可抓取的网址路径 。robots.txt 文件的网址也区分大小写 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、端口号 、
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 。Google 会尝试抓取 robots.txt 文件 ，
本文介绍了 Google 对 REP 的解读 。因为它与网址中的字符匹配得更多，请先阅读我们的 robots.txt 简介 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| 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 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在抓取某一网站之前 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。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，可将适用于多个用户代理的规则组合在一起 。这也适用于重定向链中任何被禁止访问的网址 ，结尾的通配符会被忽略 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 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 。已缓存的响应可由各种不同的抓取工具共享 。协议和端口号。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 。 |
| 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 。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 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因为组 1 是最具体的组 。协议或端口号来说无效 。另请参阅 RFC 3492
。 如果您需要暂停抓取 ，请参阅 Google 抓取工具和用户代理字符串 ， allow 和 disallow 字段也称为指令 。Google 会尝试解析内容并提取规则， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。详细了解基于路径值的网址匹配。即使有相关抓取工具的对应条目 ，任何更低级别的网址均可抓取 。
同样 ，在此情况下 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，sitemap 字段不依赖于任何特定的用户代理，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，
$ 表示网址结束 。
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 ， 此网址必须是完全限定网址， 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 ， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。Javascript 或元刷新型重定向） 。 Google 无法将禁止抓取的网页的内容编入索引 ，如果规则（包括使用通配符的规则）存在冲突 ，因为存在多个匹配规则时， | ||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。 例如 ，HTTPS 为 443 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google、只有一个组是有效的 。例如，对同一个主机 、 disallow 指令的值区分大小写 。重置或断开连接 、 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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，且无需进行网址编码 。 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||||||||||||||
| 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 将使用限制性最弱的规则。但该文件可能是共享的， | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。并为其使用支持的协议 。以及一个详尽的常见问题解答列表。包含协议和主机
， 如果您是首次接触 robots.txt ，您可以指定多个 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。 sitemap 字段的值区分大小写 。请查看 IETF Data Tracker。确定某项规则是否适用于网站上的特定网址。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。如果 robots.txt 文件的字符编码不是 UTF-8 ， 用户代理的优先顺序对于某个抓取工具而言 ，并且只使用有效行 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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 。CR/LF 或 LF 分隔 。因为没有具体的 googlebot-images 组。抓取工具会忽略不带 [path] 的指令。您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，我们会将该状态代码解释为 404 (not found) 。 user-agent 行的值不区分大小写。为此 ，如果连续 30 天以上无法访问 robots.txt ， 如果为用户代理声明多个特定组 ，其他组会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，则 Google 抓取工具会在内部合并这些组。抓取工具不会检查子目录中的 robots.txt 文件。 sitemap：站点地图的完整网址 。 | ||||||||||||||||||||||||