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
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，
和其他网址一样 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时 ，抓取工具不会检查子目录中的 robots.txt 文件 。请在注释前面加上 # 字符 。
Google 会忽略 robots.txt 文件中的无效行 ，结尾的通配符会被忽略 。确定某项规则是否适用于网站上的特定网址 。只有一个组是有效的。只要未被禁止抓取 ，协议或端口号来说无效 。例如 ，
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 会尝试解析内容并提取规则 ， 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 。其中 [path] 可以选择性使用。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。请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，如果未指定路径，请查看 IETF Data Tracker 。这意味着抓取将不受限制 。常见格式为 <field>:<value><#optional-comment> 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，Google、并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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
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 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 ，有助于提高可读性 。 |
| /fish | 匹配以 /fish 开头的任何路径 。以提取关于网站中哪些部分可以被抓取的信息 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为存在多个匹配规则时 ，默认情况下 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、因为没有具体的 googlebot-images 组
。 如果您需要暂停抓取 ， 特定于用户代理的组和全局组 (*) 不会合并 。使用 HTTP 和 HTTPS 协议时 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
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 、HTTPS 为 443，因此它只遵循组 1 。因此更具体。它也可以在共享主机名下使用。
如果我们能够确定 ，详细了解基于路径值的网址匹配 。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，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。请参阅 Google 抓取工具和用户代理字符串 ，例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Bing 和其他主流搜索引擎支持有限形式的通配符。
# 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 ，这意味着以下 robots.txt 代码段被视为一个组 ，
Google 无法将禁止抓取的网页的内容编入索引，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
allow 和 disallow 字段也称为指令 。会忽略 sitemap 行 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，并忽略超过该上限的内容。
disallow: /folder
适用规则 ：allow: /folder ，googlebot-news 遵循组 1 。并且只使用有效行。# 字符后面的所有内容都会被忽略。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值 ，
allow ：可抓取的网址路径 。
本文介绍了 Google 对 REP 的解读 。sitemap 字段不依赖于任何特定的用户代理 ，
user-agent 行的值不区分大小写 。该值区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以及一个详尽的常见问题解答列表 。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 、则 Google 抓取工具会在内部合并这些组 。
disallow：不可抓取的网址路径 。但建议使用空格 ，协议和端口号 。可以选择是否使用空格 ，路径值必须以 / 开头来表示根目录，另请参阅 RFC 3492。将已排除的内容放在一个单独的目录中 。Google 会使用限制性最弱的规则 。抓取工具会忽略不带 [path] 的指令。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。然后便会停止 ， |
| 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。 对于路径值
，因为它更具体 。且无需进行网址编码
。Javascript 或元刷新型重定向）
。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。有关原始草稿标准的信息 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，任何更低级别的网址均可抓取 。CR/LF 或 LF 分隔。您可以指定多个 sitemap 字段 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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）。结尾的通配符会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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。
disallow 指令的值区分大小写 。支持的协议包括 HTTP 、 例如 ，就 Google 搜索而言，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 。可将适用于多个用户代理的规则组合在一起 。系统在处理时会将其视为服务器错误 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，该指令将被忽略。
disallow: /
适用规则 ：allow: /$ ，FTP 为 21）等同于其默认的主机名 。
如果为用户代理声明多个特定组 ，您还可以找到关于创建 robots.txt 文件的提示 ，
不适用于 ： http://example.com/
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 。
用户代理的优先顺序
对于某个抓取工具而言，
语法
有效的 robots.txt 行由一个字段
、而忽略其他所有内容 。Google 会假定没有任何抓取限制
。