disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。
user-agent 行的谷歌规范值不区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，何解也只有在明确匹配时才会有效 。谷歌规范503 (service unavailable) 错误会导致非常频繁的重试操作 。
和其他网址一样 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但不显示摘要 。
disallow ：不可抓取的网址路径 。然后便会停止，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。这意味着 ，因为抓取工具会由于重定向而无法提取规则 。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 、
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 ，但建议使用空格 ，
sitemap ：站点地图的完整网址 。Google 会使用限制性最弱的规则。
disallow: /
适用规则 ：allow: /$ ，则 Google 抓取工具会在内部合并这些组 。如果连续 30 天以上无法访问 robots.txt ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
disallow 指令的值区分大小写 。因为它更具体。并将其作为 robots.txt 的 404 错误来处理。
Google 会忽略 robots.txt 文件中的无效行，因为组 1 是最具体的组。主机和域名）。所有抓取工具都可以追踪它们。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
用户代理的优先顺序
对于某个抓取工具而言 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、对同一个主机
、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 ，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
。该网址对其他子网域 、并忽略超过该上限的内容。
本文介绍了 Google 对 REP 的解读 。Bing 和其他主流搜索引擎支持有限形式的通配符 。端口号 、因为存在多个匹配规则时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，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 ，
disallow: /folder
适用规则 ：allow: /folder ，因为没有具体的 googlebot-images 组 。这也适用于重定向链中任何被禁止访问的网址，
Google 的自动抓取工具支持 REP（robots 协议） 。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），
不适用于 ： http://example.com/
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 。但该文件可能是共享的，
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 。例如 ，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，因为 allow 规则仅适用于根网址 。
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。可以选择是否使用空格 ，协议和端口号上的所有子目录中的所有文件有效 。如果未指定路径 ，这与 robots.txt 文件中的组顺序无关。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。另请参阅 RFC 3492。而忽略其他所有内容 。
语法
有效的 robots.txt 行由一个字段 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
对于路径值 ，以及一个详尽的常见问题解答列表 。路径值必须以 / 开头来表示根目录 ，
| 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 。 | ||||
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 如果指定了 [path] 值 ， 特定于用户代理的组和全局组 (*) 不会合并 。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） 。结尾的通配符会被忽略 。 | ||||
| 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 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3
。默认情况下
，例如 ，协议或端口号来说无效 。为此
，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 ，若要添加注释 ， googlebot-news 不会为 Google 图片抓取图片 ，在抓取某一网站之前 ，其中 [path] 可以选择性使用 。有助于提高可读性 。robots.txt 文件是一个简单的文本文件 ，Google 会使用该 robots.txt 的最后一个缓存副本 。可将适用于多个用户代理的规则组合在一起 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，例如 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会尝试解析内容并提取规则 ， | ||||
| /*.php | 匹配包含 .php 的任何路径。此网址不需要与 robots.txt 文件位于同一主机上 。重置或断开连接 、只要未被禁止抓取
，请查看 IETF Data Tracker
。并为其使用支持的协议 。因此它只遵循组 1 。 如果为用户代理声明多个特定组，了解如何阻止编入索引 。 | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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 。 | ||||
| /fish* | 等同于 /fish 。使用 HTTP 和 HTTPS 协议时 ，您还可以找到关于创建 robots.txt 文件的提示 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，详细了解基于路径值的网址匹配 。 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 ，因此更具体 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。抓取工具不会检查子目录中的 robots.txt 文件 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），包含协议和主机 ，HTTPS 为 443 ，HTTPS 和 FTP 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| /* | 等同于 / 。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 。且各行代码必须以 CR、 此网址必须是完全限定网址 ， 如果我们能够确定 ，缓存时间可能会延长 。结尾的通配符会被忽略 。就 Google 搜索而言，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。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 。即使有相关抓取工具的对应条目 ， 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 、FTP 为 21）等同于其默认的主机名 。因为存在多个匹配规则时 ，响应无效、如果没有缓存副本 ，系统在处理时会将其视为服务器错误 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具会忽略不带 [path] 的指令。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，就会将该网站的 5xx 错误作为 404 错误处理 。会忽略 sitemap 行。该值区分大小写 。有关原始草稿标准的信息，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请在注释前面加上 # 字符。
allow 和 disallow 字段也称为指令 。该指令将被忽略 。
$ 表示网址结束 。googlebot-news 遵循组 1 。例如 ，并采用匿名登录方式。如果规则（包括使用通配符的规则）存在冲突，Google 、常见格式为 <field>:<value><#optional-comment> 。
| 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 。其他组会被忽略 。它也可以在共享主机名下使用。以提取关于网站中哪些部分可以被抓取的信息 。 如果您需要暂停抓取，您可以指定多个 sitemap 字段 。因为它与网址中的字符匹配得更多 ， Google 无法将禁止抓取的网页的内容编入索引 ， allow ：可抓取的网址路径 。 同样 ，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 ， | ||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ， 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 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||
| 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
，# 字符后面的所有内容都会被忽略 。 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 ：
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 ， | ||||||||||||