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
本文介绍了 Google 对 REP 的何解解读 。因为存在多个匹配规则时，谷歌规范我们会将该状态代码解释为 404 (not found) 。何解这与 robots.txt 文件中的谷歌规范组顺序无关 。请参阅 REP 的何解第 2.1 节。
$ 表示网址结束 。谷歌规范但该文件可能是共享的 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
user-agent 行的值不区分大小写 。
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，以提取关于网站中哪些部分可以被抓取的信息。您可以指定多个 sitemap 字段 。这意味着
，并且只使用有效行 。sitemap 字段不依赖于任何特定的用户代理 ，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 。 sitemap 字段的值区分大小写 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。为此 ，HTTPS 为 443 ，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） 。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 。因为存在多个匹配规则时 ，主机和域名） 。该指令将被忽略 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||
| 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 ，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 。因为 allow 规则仅适用于根网址。 | ||||||||||||||||||||||
| 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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。请查看 IETF Data Tracker。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||||||
| 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
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，若要添加注释 ，默认情况下
，响应无效、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 。 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/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这意味着抓取将不受限制 。抓取工具会忽略不含路径的指令 。例如 ，而忽略其他所有内容 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。支持的协议包括 HTTP、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 。 sitemap ：站点地图的完整网址 。 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 。一个冒号和一个值组成。重置或断开连接 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。即使有相关抓取工具的对应条目，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会使用该 robots.txt 的最后一个缓存副本 。但不显示摘要 。 | ||||||||||||||||||||||
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 。其他组会被忽略
。
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
。并将其作为 robots.txt 的 404 错误来处理 。在此情况下
，从而可能会导致 robots.txt 规则无效。也只有在明确匹配时才会有效 。因为没有具体的 googlebot-images 组 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。但建议使用空格 ，它也可以在共享主机名下使用 。
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 ，
| 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 。抓取工具会忽略不带 [path] 的指令
。例如
，端口号
、以及一个详尽的常见问题解答列表 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| 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 ，robots.txt 文件是一个简单的文本文件 ，有关原始草稿标准的信息 ，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 ， |
| /fish | 匹配以 /fish 开头的任何路径 。 和其他网址一样 ， 对于路径值 ，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、请参阅 Google 抓取工具和用户代理字符串 ， 用户代理的优先顺序对于某个抓取工具而言 ， allow ：可抓取的网址路径 。 allow 指令的值区分大小写。只要未被禁止抓取 ， allow 和 disallow 字段也称为指令 。如果没有缓存副本 ， 如果为用户代理声明多个特定组 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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，使用 HTTP 和 HTTPS 协议时 ， 例如 ， 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 ，直到获得非服务器错误的 HTTP 状态代码。因为它更具体。如果下载的内容是 Html 格式而非 robots.txt 规则 ，如果未指定路径，因为组 1 是最具体的组 。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 。因为它与网址中的字符匹配得更多 ，# 字符后面的所有内容都会被忽略 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， |
| Googlebot（网络） | googlebot 遵循组 3。因为它更具体。FTP 为 21）等同于其默认的主机名
。协议和端口号上的所有子目录中的所有文件有效
。就 Google 搜索而言 ，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，就会将该网站的 5xx 错误作为 404 错误处理
。Google 会尝试解析内容并提取规则
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，且无需进行网址编码。然后便会停止
，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 ，其中 [path] 可以选择性使用 。Google 将使用限制性最弱的规则 。这也适用于重定向链中任何被禁止访问的网址 ， 如果您是首次接触 robots.txt ，已缓存的响应可由各种不同的抓取工具共享 。Google 会假定没有任何抓取限制 。 |
| 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 。可将适用于多个用户代理的规则组合在一起 。例如， |