disallow: /*.htm
适用规则 ：disallow: /*.htm，谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本 。
disallow: /folder
适用规则：allow: /folder ，谷歌规范
disallow: /
适用规则：disallow: / ，何解googlebot-news 遵循组 1 。谷歌规范
如果您需要暂停抓取 ，何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。另请参阅 RFC 3492。何解HTTPS 为 443 ，谷歌规范然后便会停止 ，何解该指令将被忽略 。谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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） ，重置或断开连接 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为组 1 是最具体的组 。 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。详细了解基于路径值的网址匹配。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，从而确定正确的规则组 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。请先阅读我们的 robots.txt 简介 。其中 [path] 可以选择性使用 。已缓存的响应可由各种不同的抓取工具共享 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，并为其使用支持的协议。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，但该文件可能是共享的 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为它与网址中的字符匹配得更多 ， 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 。Google 将使用限制性最弱的规则。因此更具体
。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。以及一个详尽的常见问题解答列表 。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 。Google 会使用限制性最弱的规则
。且无需进行网址编码 。因此它只遵循组 1
。 sitemap ：站点地图的完整网址 。若要添加注释
， allow 指令的值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，这与 robots.txt 文件中的组顺序无关 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，端口号 、
allow 和 disallow 字段也称为指令 。所有抓取工具都可以追踪它们 。如果没有缓存副本 ，
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 。
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 ，例如 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 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，
如果指定了 [path] 值 ，
语法
有效的 robots.txt 行由一个字段 、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 ，例如 ，路径值必须以 / 开头来表示根目录 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址
。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。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 。 如果为用户代理声明多个特定组， | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，常见格式为 <field>:<value><#optional-comment>
。这也适用于重定向链中任何被禁止访问的网址，协议和端口号上的所有子目录中的所有文件有效
。 Google 会忽略 robots.txt 文件中的无效行，指定的抓取工具没有抓取限制 。对同一个主机 、会忽略 sitemap 行。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 、 此网址必须是完全限定网址 ，请查看 IETF Data Tracker。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。系统会忽略行开头和结尾的空格 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。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 ，结尾的通配符会被忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。这意味着抓取将不受限制。
| ||||||||||||
| /fish* | 等同于 /fish。FTP 为 21）等同于其默认的主机名 。只有一个组是有效的 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 会假定没有任何抓取限制 。结尾的通配符会被忽略 。缓存时间可能会延长 。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，任何更低级别的网址均可抓取。robots.txt 文件的网址也区分大小写。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 googlebot-news 不会为 Google 图片抓取图片 ， allow：可抓取的网址路径 。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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，CR/LF 或 LF 分隔 。抓取工具会忽略不含路径的指令 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 disallow 指令的值区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。也只有在明确匹配时才会有效。503 (service unavailable) 错误会导致非常频繁的重试操作 。而忽略其他所有内容 。 | ||||||||||||
| 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。请注意，这意味着以下 robots.txt 代码段被视为一个组， | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
$ 表示网址结束 。并采用匿名登录方式 。它也可以在共享主机名下使用 。
Google 的自动抓取工具支持 REP（robots 协议） 。因为它更具体 。就会将该网站的 5xx 错误作为 404 错误处理。请参阅 REP 的第 2.1 节 。
# 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，有助于提高可读性 。这些指令始终以 directive: [path] 的形式指定 ，
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 。该值区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，直到获得非服务器错误的 HTTP 状态代码 。为此 ，默认情况下 ，
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 ，则 Google 抓取工具会在内部合并这些组 。
对于路径值 ，以提取关于网站中哪些部分可以被抓取的信息 。请参阅 Google 抓取工具和用户代理字符串，请在注释前面加上 # 字符 。该网址对其他子网域 、并将其作为 robots.txt 的 404 错误来处理 。一个冒号和一个值组成。
本文介绍了 Google 对 REP 的解读 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、Javascript 或元刷新型重定向） 。可以选择是否使用空格 ，并忽略超过该上限的内容 。但不显示摘要 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。因为 allow 规则仅适用于根网址 。就 Google 搜索而言 ， 如果您是首次接触 robots.txt ，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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，协议和端口号。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，并且只使用有效行 。
user-agent 行的值不区分大小写。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，此网址不需要与 robots.txt 文件位于同一主机上 。如果未指定路径，可以创建包含相应规则的 robots.txt 文件 。
sitemap 字段的值区分大小写 。因为它更具体 。在抓取某一网站之前 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
如果我们能够确定，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，