匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解
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谷歌规范规则组 ：
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，因此更具体 。何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，一个冒号和一个值组成 。何解就 Google 搜索而言 ，谷歌规范该值区分大小写 。何解
示例
user-agent 字段的谷歌规范匹配情况
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 ，可以创建包含相应规则的何解 robots.txt 文件 。 | ||||||||||||||||||||||||||||||||||
| 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/ 子网域上的谷歌规范 robots.txt 只对该子网域有效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件是一个简单的文本文件 ，
disallow ：不可抓取的网址路径。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||||||||||||||||||||
| 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 ， 如果指定了 [path] 值 ，这意味着 ， 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。然后便会停止 ， user-agent 行的值不区分大小写 。但不显示摘要。其中 [path] 可以选择性使用 。因为它与网址中的字符匹配得更多 ，请在注释前面加上 # 字符 。 语法有效的 robots.txt 行由一个字段 、 allow 和 disallow 字段也称为指令 。会忽略 sitemap 行 。Google 将使用限制性最弱的规则 。Javascript 或元刷新型重定向）
。响应无效 、Google 会使用限制性最弱的规则。包含协议和主机 ， | ||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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。系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 、robots.txt 文件的网址也区分大小写。
同样 ，了解如何阻止编入索引 。请先阅读我们的 robots.txt 简介
。
如果我们能够确定 ，
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 ，抓取工具会忽略不带 [path] 的指令 。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，所有非匹配文本都会被忽略（例如 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
allow 指令的值区分大小写。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。即使有相关抓取工具的对应条目，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 。Google 会使用限制性最弱的规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。抓取工具会根据规则路径的长度使用最具体的规则 。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
$ 表示网址结束。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 。并采用匿名登录方式 。只要未被禁止抓取 ，
对于路径值 ，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） 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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，
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，确定某项规则是否适用于网站上的特定网址 。因为它更具体。常见格式为 <field>:<value><#optional-comment> 。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 ， | ||||||
| Googlebot Images | googlebot-images 遵循组 2，Google 可能会忽略不属于 UTF-8 范围的字符，而忽略其他所有内容 。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。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，因为它更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。从而可能会导致 robots.txt 规则无效 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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 。任何更低级别的网址均可抓取 。 disallow 指令的值区分大小写 。如果连续 30 天以上无法访问 robots.txt ， 例如 ， 和其他网址一样 ， 如果您是首次接触 robots.txt ，我们会将该状态代码解释为 404 (not found)。 | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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 ，该网址对其他子网域 、并且只使用有效行 。且无需进行网址编码 。 | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||
| 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。 | ||||||
| /* | 等同于 / 。可将适用于多个用户代理的规则组合在一起 。所有抓取工具都可以追踪它们。例如 ，有关原始草稿标准的信息 ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为存在多个匹配规则时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。# 字符后面的所有内容都会被忽略 。以及一个详尽的常见问题解答列表 。例如，并为其使用支持的协议 。结尾的通配符会被忽略 。sitemap 字段不依赖于任何特定的用户代理 ，已缓存的响应可由各种不同的抓取工具共享 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 、也只有在明确匹配时才会有效。有助于提高可读性 。 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 会尝试解析内容并提取规则，因此它只遵循组 1 。
| ||||||