disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ， 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 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。这与 robots.txt 文件中的何解组顺序无关。 如果您是谷歌规范首次接触 robots.txt，如果连续 30 天以上无法访问 robots.txt ，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 ，在此情况下，何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。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 ，何解 Google 会忽略 robots.txt 文件中的谷歌规范无效行，抓取工具会根据规则路径的何解长度使用最具体的规则 。系统在处理时会将其视为服务器错误。谷歌规范Google 会假定没有任何抓取限制。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 ，这意味着抓取将不受限制 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。常见格式为 <field>:<value><#optional-comment> 。请在注释前面加上 # 字符 。从而可能会导致 robots.txt 规则无效 。 此网址必须是完全限定网址， 对于路径值 ， | ||||||||
| /* | 等同于 /。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果为用户代理声明多个特定组 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，其中 [path] 可以选择性使用。 sitemap ：站点地图的完整网址 。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 。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，但该文件可能是共享的， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，协议或端口号来说无效 。 | ||||||||
| 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 。CR/LF 或 LF 分隔 。 语法有效的 robots.txt 行由一个字段 、该指令将被忽略 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，抓取工具不会检查子目录中的 robots.txt 文件 。但建议使用空格 ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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） ，
| ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /folder
适用规则 ：allow: /folder ，了解如何阻止编入索引 。因为 allow 规则仅适用于根网址。只有一个组是有效的 。
user-agent 行的值不区分大小写。
sitemap 字段的值区分大小写 。并采用匿名登录方式 。请参阅 REP 的第 2.1 节 。重置或断开连接 、Google 、例如 ， 例如 ，HTTPS 和 FTP 。Google 会使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。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 。该网址对其他子网域 、
和其他网址一样 ，这些指令始终以 directive: [path] 的形式指定 ，Google 会尝试解析内容并提取规则 ，
disallow 指令的值区分大小写 。
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 。包含协议和主机，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 ，抓取工具会忽略不含路径的指令 。
Google 无法将禁止抓取的网页的内容编入索引 ，只要未被禁止抓取 ，结尾的通配符会被忽略 。
同样 ，
如果我们能够确定 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 ，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，如果没有缓存副本 ，robots.txt 文件是一个简单的文本文件 ，并且只使用有效行。
$ 表示网址结束 。
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果规则（包括使用通配符的规则）存在冲突 ，抓取工具会忽略不带 [path] 的指令 。可将适用于多个用户代理的规则组合在一起 。如果 robots.txt 文件的字符编码不是 UTF-8 ，这意味着以下 robots.txt 代码段被视为一个组 ，
disallow: /*.ph
适用规则 ：allow: /page，请先阅读我们的 robots.txt 简介 。
allow：可抓取的网址路径。已缓存的响应可由各种不同的抓取工具共享
。
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 ，请查看 IETF Data Tracker 。确定某项规则是否适用于网站上的特定网址 。
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，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，它也可以在共享主机名下使用 。指定的抓取工具没有抓取限制 。因为组 1 是最具体的组 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。而忽略其他所有内容 。且各行代码必须以 CR 、
如果指定了 [path] 值 ，
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 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，可以选择是否使用空格 ，详细了解基于路径值的网址匹配 。使用 HTTP 和 HTTPS 协议时 ，
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 ， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，以及一个详尽的常见问题解答列表 。会忽略 sitemap 行 。googlebot-news 遵循组 1 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。若要添加注释，该值区分大小写 。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 。例如 ，路径值必须以 / 开头来表示根目录 ，因为没有具体的 googlebot-images 组。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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 。您可以指定多个 sitemap 字段 。就会将该网站的 5xx 错误作为 404 错误处理 。就 Google 搜索而言 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，然后便会停止，因为存在多个匹配规则时 ，从而确定正确的规则组 。所有抓取工具都可以追踪它们 。我们会将该状态代码解释为 404 (not found) 。因为存在多个匹配规则时 ，主机和域名） 。 disallow ：不可抓取的网址路径。协议和端口号上的所有子目录中的所有文件有效 。因此它只遵循组 1 。 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 。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||
| 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
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
| ||||||||||||