disallow: /*.ph
适用规则 ：allow: /page，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范以提取关于网站中哪些部分可以被抓取的何解信息 。只要未被禁止抓取 ，谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解从而可能会导致 robots.txt 规则无效 。谷歌规范但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范有关原始草稿标准的何解信息 ，所有抓取工具都可以追踪它们 。谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解下面说明了抓取工具如何理解之前的谷歌规范 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 ，抓取工具会忽略不带 [path] 的指令 。
disallow: /
适用规则 ：disallow: /，这也适用于重定向链中任何被禁止访问的网址 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、您还可以找到关于创建 robots.txt 文件的提示 ，
disallow ：不可抓取的网址路径 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，直到获得非服务器错误的 HTTP 状态代码 。并为其使用支持的协议 。
如果您需要暂停抓取 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。但建议使用空格，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，一个冒号和一个值组成。
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 。googlebot-news 遵循组 1 。以及一个详尽的常见问题解答列表 。HTTPS 为 443，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。协议和端口号上的所有子目录中的所有文件有效 。也只有在明确匹配时才会有效。
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 。这意味着以下 robots.txt 代码段被视为一个组 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
本文介绍了 Google 对 REP 的解读 。
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，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 ，其中 [path] 可以选择性使用 。例如 ，因为它更具体 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。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） 。可以选择是否使用空格，但不显示摘要 。用户代理的优先顺序对于某个抓取工具而言 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 sitemap ：站点地图的完整网址 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。缓存时间可能会延长 。Javascript 或元刷新型重定向）。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， | ||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， sitemap 字段的值区分大小写 。请先阅读我们的 robots.txt 简介。包含协议和主机 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 。因为存在多个匹配规则时 ，并且只使用有效行 。系统会忽略行开头和结尾的空格 。 | ||||||||
| 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 。路径值必须以 / 开头来表示根目录，就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用限制性最弱的规则 。就 Google 搜索而言 ，因此更具体 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，可将适用于多个用户代理的规则组合在一起 。支持的协议包括 HTTP 、Bing 和其他主流搜索引擎支持有限形式的通配符。默认情况下 ，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 ，robots.txt 文件是一个简单的文本文件 ，robots.txt 文件的网址也区分大小写。 对于路径值，即使有相关抓取工具的对应条目，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 。这些指令始终以 directive: [path] 的形式指定 ， allow 指令的值区分大小写
。 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 disallow 指令的值区分大小写 。请在注释前面加上 # 字符 。且无需进行网址编码 。它也可以在共享主机名下使用 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。端口号 、如果 robots.txt 文件的字符编码不是 UTF-8 ， 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。 | ||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、常见格式为 <field>:<value><#optional-comment>。
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果我们能够确定 ，指定的抓取工具没有抓取限制 。
allow 和 disallow 字段也称为指令 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。如果未指定路径 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，然后便会停止 ，
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 。主机和域名） 。
如果指定了 [path] 值，因为存在多个匹配规则时 ，
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 如果为用户代理声明多个特定组
，我们会将该状态代码解释为 404 (not found) 。只有一个组是有效的 。则 Google 抓取工具会在内部合并这些组 。详细了解基于路径值的网址匹配
。对同一个主机、 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。 user-agent 行的值不区分大小写 。请查看 IETF Data Tracker 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为 allow 规则仅适用于根网址 。这与 robots.txt 文件中的组顺序无关 。例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。如果连续 30 天以上无法访问 robots.txt ， 语法有效的 robots.txt 行由一个字段 、例如，这意味着抓取将不受限制 。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、如果没有缓存副本 ，因为它更具体 。有助于提高可读性 。 allow ：可抓取的网址路径。 此网址必须是完全限定网址 ， 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 ，若要添加注释，如果规则（包括使用通配符的规则）存在冲突 ，Google 、 $ 表示网址结束 。 Google 会忽略 robots.txt 文件中的无效行 ，因为没有具体的 googlebot-images 组。 | ||||||||||||
| 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 。请参阅 Google 抓取工具和用户代理字符串，FTP 为 21）等同于其默认的主机名 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 如果您是首次接触 robots.txt ，例如 ， | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， Google 无法将禁止抓取的网页的内容编入索引 ，Google 、在此情况下 ，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 ，可以创建包含相应规则的 robots.txt 文件 。任何更低级别的网址均可抓取 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| ||||||||||||