匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解
如果指定了 [path] 值 ，谷歌规范为此 ，何解如果未指定路径，谷歌规范结尾的何解通配符会被忽略 。详细了解基于路径值的谷歌规范网址匹配 。
如果我们能够确定 ，这与 robots.txt 文件中的组顺序无关 。因为它与网址中的字符匹配得更多 ，它也可以在共享主机名下使用。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。其他组会被忽略 。您还可以找到关于创建 robots.txt 文件的提示 ，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 /desert/fish 注意 ：匹配时区分大小写 。sitemap 字段不依赖于任何特定的用户代理，CR/LF 或 LF 分隔。 同样 ，例如 ，确定某项规则是否适用于网站上的特定网址 。重置或断开连接、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 ，路径值必须以 / 开头来表示根目录 ， allow 和 disallow 字段也称为指令
。 |
| /*.php | 匹配包含 .php 的任何路径
。例如 ，系统在处理时会将其视为服务器错误 。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 ，Javascript 或元刷新型重定向） 。 |
| 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 ，所有非匹配文本都会被忽略（例如 ， |
| /$ | 仅匹配根目录
。这些指令始终以 directive: [path] 的形式指定
， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 本文介绍了 Google 对 REP 的解读 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 。 |
| 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 会尝试抓取 robots.txt 文件 ，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 。因为存在多个匹配规则时
，协议和端口号上的所有子目录中的所有文件有效。并忽略超过该上限的内容 。因为 allow 规则仅适用于根网址 。这意味着抓取将不受限制。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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，支持的协议包括 HTTP 、协议或端口号来说无效。HTTPS 为 443 ， 用户代理的优先顺序对于某个抓取工具而言 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 ， |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。如果连续 30 天以上无法访问 robots.txt ，# 字符后面的所有内容都会被忽略 。请参阅 REP 的第 2.1 节 。我们会将该状态代码解释为 404 (not found) 。请查看 IETF Data Tracker 。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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 如果为用户代理声明多个特定组 ，响应无效 、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） 。 disallow ：不可抓取的网址路径。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 和其他网址一样，请注意 ， 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，但建议使用空格 ， $ 表示网址结束 。Google 会假定没有任何抓取限制。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。并采用匿名登录方式 。在此情况下 ，抓取工具会忽略不含路径的指令。googlebot-news 遵循组 1 。Google 将使用限制性最弱的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，协议和端口号。以提取关于网站中哪些部分可以被抓取的信息 。因此它只遵循组 1。结尾的通配符会被忽略 。即使有相关抓取工具的对应条目 ，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， disallow 指令的值区分大小写 。一个冒号和一个值组成 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，系统会忽略行开头和结尾的空格 。若要添加注释，且无需进行网址编码 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
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 ，了解如何阻止编入索引 。请在注释前面加上 # 字符 。 特定于用户代理的组和全局组 (*) 不会合并 。抓取工具会使用标准 RETR (RETRIEVE) 命令
， Google 会忽略 robots.txt 文件中的无效行， allow：可抓取的网址路径 。Google 会使用该 robots.txt 的最后一个缓存副本 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，指定的抓取工具没有抓取限制 。Google 会尝试解析内容并提取规则，robots.txt 文件是一个简单的文本文件，任何更低级别的网址均可抓取 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2， | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 allow 指令的值区分大小写。将已排除的内容放在一个单独的目录中 。因为抓取工具会由于重定向而无法提取规则 。默认情况下，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。可以选择是否使用空格，如果下载的内容是 Html 格式而非 robots.txt 规则，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，其中 [path] 可以选择性使用 。这意味着，robots.txt 文件的网址也区分大小写 。Google 、在抓取某一网站之前，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、 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 。该值区分大小写 。 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||
| 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。 Google 的自动抓取工具支持 REP（robots 协议） 。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 ，可以创建包含相应规则的 robots.txt 文件 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||
| 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 。 此网址必须是完全限定网址，主机和域名）。 googlebot-news 不会为 Google 图片抓取图片 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，使用 HTTP 和 HTTPS 协议时 ，Google 会使用限制性最弱的规则 。以及一个详尽的常见问题解答列表 。会忽略 sitemap 行。Google 、所有抓取工具都可以追踪它们 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||
| 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 。 | ||||||||||||||
| /fish* | 等同于 /fish 。 | ||||||||||||||
| /* | 等同于 / 。 | ||||||||||||||