disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范它也可以在共享主机名下使用。何解
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解协议或端口号来说无效 。谷歌规范然后便会停止，何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ， Google 的何解自动抓取工具支持 REP（robots 协议） 。 Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，会忽略 sitemap 行 。何解请查看 IETF Data Tracker 。谷歌规范我们会将该状态代码解释为 404 (not found) 。何解Google 会使用限制性最弱的谷歌规范规则 。 allow 和 disallow 字段也称为指令。何解 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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。因为存在多个匹配规则时 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，所有抓取工具都可以追踪它们 。
和其他网址一样 ，常见格式为 <field>:<value><#optional-comment> 。有关原始草稿标准的信息 ，
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 ，您可以指定多个 sitemap 字段 。系统会忽略行开头和结尾的空格 。
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 。在抓取某一网站之前 ，因为它与网址中的字符匹配得更多 ，HTTPS 为 443，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，已缓存的响应可由各种不同的抓取工具共享 。
语法
有效的 robots.txt 行由一个字段、且无需进行网址编码 。
user-agent 行的值不区分大小写 。从而确定正确的规则组 。
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 。因为存在多个匹配规则时 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具不会检查子目录中的 robots.txt 文件 。
同样 ，Bing 和其他主流搜索引擎支持有限形式的通配符。
disallow: /
适用规则 ：disallow: /，但不显示摘要 。请注意，因为组 1 是最具体的组 。 特定于用户代理的组和全局组 (*) 不会合并 。例如 ，
sitemap：站点地图的完整网址 。这意味着抓取将不受限制 。
Google 无法将禁止抓取的网页的内容编入索引，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，就 Google 搜索而言 ，将已排除的内容放在一个单独的目录中。Google 可能会忽略不属于 UTF-8 范围的字符 ，确定某项规则是否适用于网站上的特定网址 。因为 allow 规则仅适用于根网址 。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 ，
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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，包含协议和主机 ，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 。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 ，例如，Google 会使用限制性最弱的规则 。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，
如果指定了 [path] 值，而忽略其他所有内容 。该值区分大小写 。
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 、robots.txt 文件是一个简单的文本文件，为此，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，
对于路径值 ，
| 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。如果规则（包括使用通配符的规则）存在冲突 ，所有非匹配文本都会被忽略（例如 ，因此它只遵循组 1 。 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 ，
allow 指令的值区分大小写 。因为它更具体 。另请参阅 RFC 3492 。请参阅 Google 抓取工具和用户代理字符串 ，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 ，Google 会使用该 robots.txt 的最后一个缓存副本。
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，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。Google 、以提取关于网站中哪些部分可以被抓取的信息。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。其中 [path] 可以选择性使用。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，对同一个主机、使用 HTTP 和 HTTPS 协议时，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。支持的协议包括 HTTP 、直到获得非服务器错误的 HTTP 状态代码。这些指令始终以 directive: [path] 的形式指定，请在注释前面加上 # 字符 。这意味着 ，有助于提高可读性 。 Google 会忽略 robots.txt 文件中的无效行 ，HTTPS 和 FTP 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、一个冒号和一个值组成 。若要添加注释 ，因为没有具体的 googlebot-images 组 。# 字符后面的所有内容都会被忽略 。 |
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 robots.txt 文件的字符编码不是 UTF-8 ， 如果您是首次接触 robots.txt ，Google 会尝试解析内容并提取规则，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） ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果没有缓存副本，就会将该网站的 5xx 错误作为 404 错误处理 。FTP 为 21）等同于其默认的主机名。
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
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。并将其作为 robots.txt 的 404 错误来处理
。
# 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 ，
allow ：可抓取的网址路径
。该网址对其他子网域、
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
disallow ：不可抓取的网址路径 。该指令将被忽略 。默认情况下，并采用匿名登录方式。
$ 表示网址结束 。
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 ，也只有在明确匹配时才会有效 。这也适用于重定向链中任何被禁止访问的网址 ， 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 。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 。系统在处理时会将其视为服务器错误 。端口号 、
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 。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、并忽略超过该上限的内容 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。结尾的通配符会被忽略。抓取工具会忽略不含路径的指令 。
disallow: /*.ph
适用规则 ：allow: /page ，并为其使用支持的协议 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，503 (service unavailable) 错误会导致非常频繁的重试操作 。路径值必须以 / 开头来表示根目录 ，Javascript 或元刷新型重定向） 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||
| 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。如果连续 30 天以上无法访问 robots.txt ，sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。 本文介绍了 Google 对 REP 的解读。 如果为用户代理声明多个特定组 ，重置或断开连接 、详细了解基于路径值的网址匹配 。robots.txt 文件的网址也区分大小写 。但该文件可能是共享的 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，从而可能会导致 robots.txt 规则无效。指定的抓取工具没有抓取限制。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||
| 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 。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，
sitemap 字段的值区分大小写。请参阅 REP 的第 2.1 节
。且各行代码必须以 CR 、Google 会假定没有任何抓取限制
。 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， | ||||||||||
| 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 。 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。只要未被禁止抓取 ，因此更具体 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为它更具体 。如果未指定路径，此网址不需要与 robots.txt 文件位于同一主机上
。 | ||||||||||