disallow: /*.ph
适用规则：allow: /page ，何解则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。谷歌规范包含协议和主机，何解
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，
如果为用户代理声明多个特定组，何解因为它更具体 。谷歌规范 路径中的何解非 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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范因此它只遵循组 1 。何解但不显示摘要。谷歌规范
disallow
：不可抓取的网址路径 。如果没有缓存副本
，这意味着抓取将不受限制
。这也适用于重定向链中任何被禁止访问的网址 ，
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
。这与 robots.txt 文件中的组顺序无关
。 如果您是首次接触 robots.txt ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，robots.txt 文件是一个简单的文本文件 ，
$ 表示网址结束 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，您可以指定多个 sitemap 字段 。请在注释前面加上 # 字符 。例如 ，只有一个组是有效的。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，因为没有具体的 googlebot-images 组 。所有非匹配文本都会被忽略（例如，# 字符后面的所有内容都会被忽略。系统会忽略行开头和结尾的空格 。Google 会尝试抓取 robots.txt 文件 ，并忽略超过该上限的内容。但该文件可能是共享的 ，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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
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
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 。就会将该网站的 5xx 错误作为 404 错误处理 。
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。
本文介绍了 Google 对 REP 的解读 。以提取关于网站中哪些部分可以被抓取的信息 。HTTPS 为 443 ，Javascript 或元刷新型重定向） 。这些指令始终以 directive: [path] 的形式指定 ，此网址不需要与 robots.txt 文件位于同一主机上 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。缓存时间可能会延长。
sitemap ：站点地图的完整网址 。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）。常见格式为 <field>:<value><#optional-comment> 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
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 。如果连续 30 天以上无法访问 robots.txt ，
如果您需要暂停抓取
，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请注意 ，则 Google 抓取工具会在内部合并这些组 。在此情况下 ，任何更低级别的网址均可抓取 。以及一个详尽的常见问题解答列表 。若要添加注释，
disallow: /*.htm
适用规则：disallow: /*.htm ，例如 ，该网址对其他子网域、因为存在多个匹配规则时，
user-agent 行的值不区分大小写。其中 [path] 可以选择性使用 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| 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 。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 ，只要未被禁止抓取 ， 如果指定了 [path] 值 ，googlebot-news 遵循组 1 。请查看 IETF Data Tracker。详细了解基于路径值的网址匹配 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、协议和端口号 。对同一个主机、 |
disallow 指令的值区分大小写。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，它也可以在共享主机名下使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 googlebot-news 不会为 Google 图片抓取图片，指定的抓取工具没有抓取限制 。即使有相关抓取工具的对应条目 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、路径值必须以 / 开头来表示根目录，
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 ，会忽略 sitemap 行 。系统在处理时会将其视为服务器错误 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会使用限制性最弱的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 ，
allow 和 disallow 字段也称为指令 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
Google 无法将禁止抓取的网页的内容编入索引，一个冒号和一个值组成 。
disallow: /
适用规则 ：disallow: /，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，有关原始草稿标准的信息 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，主机和域名） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，响应无效 、
allow 指令的值区分大小写 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，从而可能会导致 robots.txt 规则无效 。建议为网站上的每个网址提供 503 HTTP 状态代码 。但建议使用空格 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
allow：可抓取的网址路径 。Google 会尝试解析内容并提取规则 ，该指令将被忽略 。
| 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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 ，抓取工具会忽略不含路径的指令 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，然后便会停止 ， 特定于用户代理的组和全局组 (*) 不会合并。robots.txt 文件的网址也区分大小写 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，重置或断开连接 、协议或端口号来说无效 。
用户代理的优先顺序
对于某个抓取工具而言，
如果我们能够确定 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。请先阅读我们的 robots.txt 简介。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会使用限制性最弱的规则 。
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 。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 会使用该 robots.txt 的最后一个缓存副本。因此更具体 。Google 会假定没有任何抓取限制 。如果未指定路径 ，
disallow: /folder
适用规则 ：allow: /folder，
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为它与网址中的字符匹配得更多 ，抓取工具会忽略不带 [path] 的指令。CR/LF 或 LF 分隔 。从而确定正确的规则组 。 同样 ，且各行代码必须以 CR、在抓取某一网站之前 ，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） ，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 ， sitemap 字段的值区分大小写。 对于路径值，并为其使用支持的协议 。且无需进行网址编码 。为此 ，也只有在明确匹配时才会有效 。sitemap 字段不依赖于任何特定的用户代理，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 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径 。因为抓取工具会由于重定向而无法提取规则 。这意味着以下 robots.txt 代码段被视为一个组 ，该值区分大小写 。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， 此网址必须是完全限定网址，使用 HTTP 和 HTTPS 协议时 ，所有抓取工具都可以追踪它们 。并将其作为 robots.txt 的 404 错误来处理 。确定某项规则是否适用于网站上的特定网址 。 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 ：
| ||||||||||||||||||||||