disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范默认情况下 ，何解
匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范
disallow: /
适用规则：allow: /$ ，请参阅 Google 抓取工具和用户代理字符串 ，因为存在多个匹配规则时，因此它只遵循组 1。端口号 、例如， googlebot-news 不会为 Google 图片抓取图片，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 。这与 robots.txt 文件中的组顺序无关 。
| 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 。请查看 IETF Data Tracker
。对同一个主机、 对于路径值， 如果您是首次接触 robots.txt ，常见格式为 <field>:<value><#optional-comment> 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 sitemap ：站点地图的完整网址 。googlebot-news 遵循组 1。robots.txt 文件是一个简单的文本文件 ， |
| 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 ， disallow：不可抓取的网址路径 。例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
| /fish | 匹配以 /fish 开头的任何路径 。从而确定正确的规则组 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，使用 HTTP 和 HTTPS 协议时 ，Google 会尝试抓取 robots.txt 文件，请参阅 REP 的第 2.1 节。Google 会假定没有任何抓取限制。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 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。您还可以找到关于创建 robots.txt 文件的提示 ，该值区分大小写。所有抓取工具都可以追踪它们 。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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，若要添加注释
，
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中
，已缓存的响应可由各种不同的抓取工具共享 。Google 会尝试解析内容并提取规则 ，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 ，
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 。
allow 指令的值区分大小写。
语法
有效的 robots.txt 行由一个字段 、
Google 会忽略 robots.txt 文件中的无效行 ，robots.txt 文件的网址也区分大小写 。则 Google 抓取工具会在内部合并这些组。且各行代码必须以 CR 、请先阅读我们的 robots.txt 简介 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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
，但不显示摘要
。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着以下 robots.txt 代码段被视为一个组 ，就 Google 搜索而言 ，但该文件可能是共享的 ，指定的抓取工具没有抓取限制 。在此情况下，Google 可能会忽略不属于 UTF-8 范围的字符 ，这意味着，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）。并忽略超过该上限的内容。抓取工具不会检查子目录中的 robots.txt 文件 。重置或断开连接 、协议和端口号 。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） ，如果连续 30 天以上无法访问 robots.txt，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。路径值必须以 / 开头来表示根目录 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但建议使用空格 ，可以选择是否使用空格 ，
和其他网址一样 ，只要未被禁止抓取，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项
： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。此网址不需要与 robots.txt 文件位于同一主机上 。
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， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具会根据规则路径的长度使用最具体的规则 。另请参阅 RFC 3492 。
本文介绍了 Google 对 REP 的解读。直到获得非服务器错误的 HTTP 状态代码。
disallow 指令的值区分大小写 。因为 allow 规则仅适用于根网址。
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
，
如果我们能够确定
，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，
sitemap 字段的值区分大小写 。
$ 表示网址结束 。在抓取某一网站之前 ，以及一个详尽的常见问题解答列表 。因为组 1 是最具体的组。Google 、这意味着抓取将不受限制。所有非匹配文本都会被忽略（例如 ，了解如何阻止编入索引。而忽略其他所有内容 。如果规则（包括使用通配符的规则）存在冲突 ，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 ，就会将该网站的 5xx 错误作为 404 错误处理 。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 。我们会将该状态代码解释为 404 (not found)。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 ，如果没有缓存副本 ，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 。这些指令始终以 directive: [path] 的形式指定 ，
用户代理的优先顺序
对于某个抓取工具而言，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 ，
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 。
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 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址。会忽略 sitemap 行 。包含协议和主机，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 、HTTP 组块错误等）而无法抓取的 robots.txt 文件，抓取工具会忽略不含路径的指令 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，协议和端口号上的所有子目录中的所有文件有效 。 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。并为其使用支持的协议 。sitemap 字段不依赖于任何特定的用户代理，您可以指定多个 sitemap 字段。因为它更具体 。FTP 为 21）等同于其默认的主机名 。 如果指定了 [path] 值 ， Google 无法将禁止抓取的网页的内容编入索引 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 allow：可抓取的网址路径 。 | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，响应无效、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。为此 ，Google 将使用限制性最弱的规则 。 | ||||||||||||||
| /* | 等同于 / 。例如 ， | ||||||||||||||
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 如果为用户代理声明多个特定组 ， allow 和 disallow 字段也称为指令
。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 ，
| ||||||||||||||