如果为用户代理声明多个特定组 ，何解会忽略 sitemap 行 。谷歌规范因此它只遵循组 1 。何解可以选择是谷歌规范否使用空格 ，
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
。
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
* 表示出现 0 次或多次的何解任何有效字符 。CR/LF 或 LF 分隔 。谷歌规范例如 ，何解并将其作为 robots.txt 的谷歌规范 404 错误来处理 。抓取工具会忽略不带 [path] 的何解指令 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解但可能仍会将其网址编入索引并将其显示在搜索结果中，谷歌规范 |
| 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://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 。因为组 1 是最具体的组。 user-agent 行的值不区分大小写 。请注意 ， allow 指令的值区分大小写 。sitemap 字段不依赖于任何特定的用户代理， Google 的自动抓取工具支持 REP（robots 协议）。可将适用于多个用户代理的规则组合在一起 。请参阅 REP 的第 2.1 节 。若要添加注释， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。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 ，只要未被禁止抓取，它也可以在共享主机名下使用 。缓存时间可能会延长 。且各行代码必须以 CR 、Google 会尝试解析内容并提取规则， |
| /*.php | 匹配包含 .php 的任何路径 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、例如 ， |
| /$ | 仅匹配根目录。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。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，
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并忽略超过该上限的内容 。
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 ，这也适用于重定向链中任何被禁止访问的网址 ，robots.txt 文件是一个简单的文本文件 ，
和其他网址一样 ，
用户代理的优先顺序
对于某个抓取工具而言 ，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 ，指定的抓取工具没有抓取限制 。
allow ：可抓取的网址路径。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 。Google 会假定没有任何抓取限制 。
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
， 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 |
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 会使用限制性最弱的规则 。将已排除的内容放在一个单独的目录中 。 |
| /fish* | 等同于 /fish 。Google 可能会忽略不属于 UTF-8 范围的字符
，协议或端口号来说无效 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，使用 HTTP 和 HTTPS 协议时 ，FTP 为 21）等同于其默认的主机名 。且无需进行网址编码 。 Google 无法将禁止抓取的网页的内容编入索引 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。端口号 、 |
| 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 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，从而确定正确的规则组。即使有相关抓取工具的对应条目，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为 allow 规则仅适用于根网址 。一个冒号和一个值组成 。因为存在多个匹配规则时 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 语法有效的 robots.txt 行由一个字段、您还可以找到关于创建 robots.txt 文件的提示 ， 如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Google 会尝试抓取 robots.txt 文件，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。例如， |
| 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， sitemap 字段的值区分大小写 。 Google 会忽略 robots.txt 文件中的无效行 ，抓取工具不会检查子目录中的 robots.txt 文件。则 Google 抓取工具会在内部合并这些组 。 例如 ，其他组会被忽略。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为它更具体 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，有关原始草稿标准的信息，Google 会使用该 robots.txt 的最后一个缓存副本 。只有一个组是有效的。系统会忽略行开头和结尾的空格 。我们会将该状态代码解释为 404 (not found) 。为此 ， |
| /* | 等同于 / 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，协议和端口号 。 googlebot-news 不会为 Google 图片抓取图片，
disallow 指令的值区分大小写。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow：不可抓取的网址路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
disallow: /folder
适用规则 ：allow: /folder ，也只有在明确匹配时才会有效 。该指令将被忽略 。抓取工具会使用标准 RETR (RETRIEVE) 命令，请先阅读我们的 robots.txt 简介 。结尾的通配符会被忽略 。并为其使用支持的协议 。请参阅 Google 抓取工具和用户代理字符串 ，robots.txt 文件的网址也区分大小写 。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，
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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，以及一个详尽的常见问题解答列表 。 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 ，该值区分大小写。主机和域名） 。 此网址必须是完全限定网址 ， 对于路径值，以提取关于网站中哪些部分可以被抓取的信息 。然后便会停止，Google 、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 。 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 。此网址不需要与 robots.txt 文件位于同一主机上。就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。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 ，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 。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。在抓取某一网站之前 ，
| ||||||||||||||||||||||||