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
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，请参阅 Google 抓取工具和用户代理字符串 ，何解这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符。指定的何解抓取工具没有抓取限制 。只要未被禁止抓取，谷歌规范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 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 ，从而确定正确的规则组 。Google、
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，但建议使用空格，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，抓取工具会根据规则路径的长度使用最具体的规则 。协议和端口号上的所有子目录中的所有文件有效 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，因为存在多个匹配规则时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。结尾的通配符会被忽略。
Google 无法将禁止抓取的网页的内容编入索引 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。可将适用于多个用户代理的规则组合在一起 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
disallow: /
适用规则 ：allow: /$，
disallow: /folder
适用规则 ：allow: /folder ，且无需进行网址编码。
sitemap ：站点地图的完整网址 。其中 [path] 可以选择性使用 。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） 。例如 ，这些指令始终以 directive: [path] 的形式指定 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，它也可以在共享主机名下使用 。
disallow 指令的值区分大小写 。
allow 指令的值区分大小写 。已缓存的响应可由各种不同的抓取工具共享 。
| 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。所有非匹配文本都会被忽略（例如 ，FTP 为 21）等同于其默认的主机名 。如果连续 30 天以上无法访问 robots.txt
，系统会忽略行开头和结尾的空格。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 会尝试解析内容并提取规则 ，使用 HTTP 和 HTTPS 协议时 ，从而可能会导致 robots.txt 规则无效。 语法有效的 robots.txt 行由一个字段、 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，这意味着抓取将不受限制。并忽略超过该上限的内容 。响应无效 、 特定于用户代理的组和全局组 (*) 不会合并 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 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
。该网址对其他子网域、 # 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 ，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 、因此更具体。在此情况下 ，包含协议和主机 ， | ||||||||||||||||||||||||||||||||
| 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，# 字符后面的所有内容都会被忽略。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
。在抓取某一网站之前
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 googlebot-news 不会为 Google 图片抓取图片 ， 如果指定了 [path] 值，系统在处理时会将其视为服务器错误 。 例如， | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，您还可以找到关于创建 robots.txt 文件的提示 ，Google 会使用限制性最弱的规则 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||||||||
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，因此它只遵循组 1 。 | ||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 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，以及一个详尽的常见问题解答列表。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，有关原始草稿标准的信息 ， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
同样 ，例如 ，但不显示摘要 。
disallow: /
适用规则 ：disallow: / ，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 ，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 ，因为没有具体的 googlebot-images 组 。而忽略其他所有内容。为此 ，其他组会被忽略 。则 Google 抓取工具会在内部合并这些组 。有助于提高可读性 。并采用匿名登录方式 。请先阅读我们的 robots.txt 简介 。
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
如果我们能够确定 ，
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 。这与 robots.txt 文件中的组顺序无关 。直到获得非服务器错误的 HTTP 状态代码 。默认情况下 ，
Google 的自动抓取工具支持 REP（robots 协议） 。sitemap 字段不依赖于任何特定的用户代理 ，
disallow: /*.ph
适用规则：allow: /page ，
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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。缓存时间可能会延长 。Google 会尝试抓取 robots.txt 文件 ，
如果为用户代理声明多个特定组 ，路径值必须以 / 开头来表示根目录 ，
user-agent 行的值不区分大小写 。就 Google 搜索而言 ，我们会将该状态代码解释为 404 (not found)。重置或断开连接 、HTTPS 为 443 ，
| 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。就会将该网站的 5xx 错误作为 404 错误处理 。 |