disallow: /*.ph
适用规则 ：allow: /page ，何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。Google 、何解详细了解基于路径值的谷歌规范网址匹配。所有非匹配文本都会被忽略（例如 ，何解我们会将该状态代码解释为 404 (not found) 。谷歌规范
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
sitemap 字段的何解值区分大小写。
allow 和 disallow 字段也称为指令
。谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架
、# 字符后面的谷歌规范所有内容都会被忽略 。并采用匿名登录方式
。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。
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，其中 [path] 可以选择性使用 。对同一个主机、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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，在此情况下，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，默认情况下 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。HTTPS 为 443 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。您可以指定多个 sitemap 字段 。
Google 的自动抓取工具支持 REP（robots 协议） 。 此网址必须是完全限定网址 ，
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 ，可以选择是否使用空格 ，有助于提高可读性 。因为它更具体 。抓取工具会忽略不含路径的指令 。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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
disallow ：不可抓取的网址路径 。如果未指定路径 ，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、
如果您需要暂停抓取 ，Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会使用限制性最弱的规则 。则 Google 抓取工具会在内部合并这些组 。但该文件可能是共享的 ，
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
，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。任何更低级别的网址均可抓取 。这意味着，因此它只遵循组 1 。这与 robots.txt 文件中的组顺序无关 。
本文介绍了 Google 对 REP 的解读 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，将已排除的内容放在一个单独的目录中 。robots.txt 文件的网址也区分大小写 。
| 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 。协议和端口号 。协议和端口号上的所有子目录中的所有文件有效 。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 ，因为抓取工具会由于重定向而无法提取规则 。然后便会停止
， 如果指定了 [path] 值 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，端口号 、 用户代理的优先顺序对于某个抓取工具而言，其他组会被忽略 。 | ||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， sitemap ：站点地图的完整网址 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 如果为用户代理声明多个特定组，该网址对其他子网域 、 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，也只有在明确匹配时才会有效。 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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 。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 ，抓取工具会忽略不带 [path] 的指令。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||||||
| 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 。因为它与网址中的字符匹配得更多 ，使用 HTTP 和 HTTPS 协议时，Google 会使用限制性最弱的规则 。即使有相关抓取工具的对应条目 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会尝试解析内容并提取规则 ，直到获得非服务器错误的 HTTP 状态代码 。所有抓取工具都可以追踪它们。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） 。 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为组 1 是最具体的组。但不显示摘要 。 disallow 指令的值区分大小写 。协议或端口号来说无效
。支持的协议包括 HTTP 、有关原始草稿标准的信息
，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 。此网址不需要与 robots.txt 文件位于同一主机上。因为存在多个匹配规则时 ，重置或断开连接
、请先阅读我们的 robots.txt 简介 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。该指令将被忽略 。请注意 ， 和其他网址一样 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果没有缓存副本 ，这意味着以下 robots.txt 代码段被视为一个组，Javascript 或元刷新型重定向） 。 特定于用户代理的组和全局组 (*) 不会合并 。请查看 IETF Data Tracker 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，因为它更具体 。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 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，sitemap 字段不依赖于任何特定的用户代理 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||||||||
| 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 。就会将该网站的 5xx 错误作为 404 错误处理。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。可将适用于多个用户代理的规则组合在一起 。因为存在多个匹配规则时，在抓取某一网站之前 ， Google 会忽略 robots.txt 文件中的无效行 ， allow ：可抓取的网址路径 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||||||||||||||||||
| 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 。但建议使用空格 ，
| ||||||||||||||||||||||||||||||||||