disallow: /*.htm
适用规则：disallow: /*.htm，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，例如 ，谷歌规范
disallow ：不可抓取的何解网址路径 。路径值必须以 / 开头来表示根目录，谷歌规范确定某项规则是何解否适用于网站上的特定网址 。并且只使用有效行。谷歌规范
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解例如 ，谷歌规范所有非匹配文本都会被忽略（例如 ，何解
和其他网址一样 ，谷歌规范
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 ，何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，
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 。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 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，您还可以找到关于创建 robots.txt 文件的提示 ，
disallow: /*.ph
适用规则 ：allow: /page ，请在注释前面加上 # 字符 。端口号 、
同样 ，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 。这些指令始终以 directive: [path] 的形式指定 ，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。其中 [path] 可以选择性使用。了解如何阻止编入索引 。HTTPS 为 443 ，Google 会使用限制性最弱的规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为它更具体。将已排除的内容放在一个单独的目录中 。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 ，会忽略 sitemap 行 。
$ 表示网址结束 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。为此 ，它也可以在共享主机名下使用。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。以提取关于网站中哪些部分可以被抓取的信息 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、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 ，
本文介绍了 Google 对 REP 的解读 。
allow 和 disallow 字段也称为指令 。因为它更具体 。 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 。
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 ， googlebot-news 不会为 Google 图片抓取图片 ，另请参阅 RFC 3492 。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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Bing 和其他主流搜索引擎支持有限形式的通配符 。但建议使用空格，结尾的通配符会被忽略 。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 ，就 Google 搜索而言 ，例如 ，因为没有具体的 googlebot-images 组 。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
对于路径值 ，因为抓取工具会由于重定向而无法提取规则。支持的协议包括 HTTP 、
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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，在此情况下 ，
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 。抓取工具会根据规则路径的长度使用最具体的规则 。该值区分大小写 。Google 会假定没有任何抓取限制。默认情况下 ，抓取工具不会检查子目录中的 robots.txt 文件 。请参阅 Google 抓取工具和用户代理字符串 ，响应无效、如果没有缓存副本 ，也只有在明确匹配时才会有效。如果未指定路径 ， 例如 ，重置或断开连接 、可以创建包含相应规则的 robots.txt 文件 。
Google 的自动抓取工具支持 REP（robots 协议） 。
如果我们能够确定 ，sitemap 字段不依赖于任何特定的用户代理 ，robots.txt 文件的网址也区分大小写 。主机和域名）
。这意味着 ，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 ，
allow ：可抓取的网址路径 。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 ，# 字符后面的所有内容都会被忽略 。在抓取某一网站之前 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，详细了解基于路径值的网址匹配
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 、
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
* 表示出现 0 次或多次的任何有效字符 。
| 示例情况 | |||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，可以选择是否使用空格 ，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 会忽略 robots.txt 文件中的无效行 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。Google 、 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 ，并为其使用支持的协议 。协议和端口号上的所有子目录中的所有文件有效。 | ||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应
，并采用匿名登录方式。则 Google 抓取工具会在内部合并这些组 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。请参阅 REP 的第 2.1 节 。 Google 无法将禁止抓取的网页的内容编入索引 ，googlebot-news 遵循组 1 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。且各行代码必须以 CR、有关原始草稿标准的信息 ， | ||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，建议为网站上的每个网址提供 503 HTTP 状态代码 。因此更具体 。 | ||||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、用户代理的优先顺序对于某个抓取工具而言，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。FTP 为 21）等同于其默认的主机名 。 disallow 指令的值区分大小写 。 allow 指令的值区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ，所有抓取工具都可以追踪它们 。503 (service unavailable) 错误会导致非常频繁的重试操作。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） ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，系统会忽略行开头和结尾的空格 。这意味着抓取将不受限制。 如果指定了 [path] 值 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，只有一个组是有效的 。Google 会尝试抓取 robots.txt 文件，Javascript 或元刷新型重定向） 。HTTPS 和 FTP 。 | ||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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 。而忽略其他所有内容 。一个冒号和一个值组成 。 | ||||||||||||||||||||||||||||||||||||||
| 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 。这也适用于重定向链中任何被禁止访问的网址 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。
| ||||||||||||||||||||||||||||||||||||||