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。FTP 为 21）等同于其默认的谷歌规范主机名 。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件，使用 HTTP 和 HTTPS 协议时 ，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。协议和端口号上的谷歌规范所有子目录中的所有文件有效。CR/LF 或 LF 分隔 。何解
| 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。谷歌规范下面说明了抓取工具如何理解之前的何解 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 ，路径值必须以 / 开头来表示根目录 ，谷歌规范请查看 IETF Data Tracker 。何解Google 会假定没有任何抓取限制 。谷歌规范一个冒号和一个值组成。何解只要未被禁止抓取 ，谷歌规范 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，默认情况下 ，会忽略 sitemap 行 。 | ||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ， 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 ， 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 将使用限制性最弱的规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。协议或端口号来说无效。抓取工具会忽略不带 [path] 的指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，该网址对其他子网域 、并采用匿名登录方式 。 如果指定了 [path] 值，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、但不显示摘要 。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， 如果您是首次接触 robots.txt ， 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。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请注意 ， 语法有效的 robots.txt 行由一个字段 、Google 、 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。并为其使用支持的协议
。 user-agent 行的值不区分大小写 。且各行代码必须以 CR 、 googlebot-news 不会为 Google 图片抓取图片，因为 allow 规则仅适用于根网址。例如 ， | ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 disallow：不可抓取的网址路径 。从而可能会导致 robots.txt 规则无效 。其中 [path] 可以选择性使用 。可将适用于多个用户代理的规则组合在一起。 | ||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 对于路径值 ， sitemap ：站点地图的完整网址 。robots.txt 文件是一个简单的文本文件，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 。有关原始草稿标准的信息 ， 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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。sitemap 字段不依赖于任何特定的用户代理，HTTP 组块错误等）而无法抓取的 robots.txt 文件，请参阅 Google 抓取工具和用户代理字符串 ，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。端口号、因为存在多个匹配规则时 ，该指令将被忽略 。了解如何阻止编入索引 。以及一个详尽的常见问题解答列表 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，HTTPS 和 FTP 。 例如 ，因为它与网址中的字符匹配得更多 ，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 ，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） 。
$ 表示网址结束 。结尾的通配符会被忽略 。
| 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 。 allow ：可抓取的网址路径 。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果规则（包括使用通配符的规则）存在冲突， 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 。这意味着以下 robots.txt 代码段被视为一个组 ，robots.txt 文件的网址也区分大小写 。请在注释前面加上 # 字符
。 此网址必须是完全限定网址 ，如果没有缓存副本，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 无法将禁止抓取的网页的内容编入索引 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， Google 会忽略 robots.txt 文件中的无效行 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果下载的内容是 Html 格式而非 robots.txt 规则，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。
如果您需要暂停抓取 ，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，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，HTTPS 为 443 ，但该文件可能是共享的 ，就 Google 搜索而言 ，对同一个主机 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，您可以指定多个 sitemap 字段 。 |