disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范但建议使用空格 ，何解这意味着，谷歌规范
示例
user-agent 字段的何解匹配情况
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 ，结尾的谷歌规范通配符会被忽略 。HTTPS 和 FTP。何解 Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。 googlebot-news 不会为 Google 图片抓取图片 ，何解 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。一个冒号和一个值组成 。 |
| /fish* | 等同于 /fish 。 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 。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， 对于路径值 ，sitemap 字段不依赖于任何特定的用户代理，Google 、 语法有效的 robots.txt 行由一个字段 、 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。以提取关于网站中哪些部分可以被抓取的信息
。包含协议和主机，如果 robots.txt 文件的字符编码不是 UTF-8
，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 ，Google 会尝试抓取 robots.txt 文件 ，则 Google 抓取工具会在内部合并这些组 。 |
| /fish | 匹配以 /fish 开头的任何路径 。协议或端口号来说无效 。若要添加注释 ，请在注释前面加上 # 字符 。但可能仍会将其网址编入索引并将其显示在搜索结果中， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， disallow 指令的值区分大小写 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为没有具体的 googlebot-images 组 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
本文介绍了 Google 对 REP 的解读 。
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
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 ，因为存在多个匹配规则时 ，请注意，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。可以选择是否使用空格 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。如果没有缓存副本， |
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 将使用限制性最弱的规则。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。响应无效 、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 ，任何更低级别的网址均可抓取 。此网址不需要与 robots.txt 文件位于同一主机上 。因为抓取工具会由于重定向而无法提取规则 。FTP 为 21）等同于其默认的主机名 。使用 HTTP 和 HTTPS 协议时，了解如何阻止编入索引。抓取工具不会检查子目录中的 robots.txt 文件 。 |
| /* | 等同于 / 。详细了解基于路径值的网址匹配 。支持的协议包括 HTTP 、 $ 表示网址结束 。 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 ，这意味着抓取将不受限制。因为组 1 是最具体的组 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，这些指令始终以 directive: [path] 的形式指定 ，googlebot-news 遵循组 1。并为其使用支持的协议 。robots.txt 文件的网址也区分大小写 。在此情况下 ，指定的抓取工具没有抓取限制 。
如果您需要暂停抓取，我们会将该状态代码解释为 404 (not found) 。请查看 IETF Data Tracker 。
user-agent 行的值不区分大小写。Google、例如 ，在抓取某一网站之前 ， 如果您是首次接触 robots.txt ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），其中 [path] 可以选择性使用 。Javascript 或元刷新型重定向） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。robots.txt 文件是一个简单的文本文件 ， 例如，
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 。主机和域名） 。端口号 、抓取工具会忽略不含路径的指令。
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 。路径值必须以 / 开头来表示根目录 ，对同一个主机 、系统会忽略行开头和结尾的空格 。该网址对其他子网域 、Google 会使用该 robots.txt 的最后一个缓存副本。其他组会被忽略 。该指令将被忽略。请参阅 Google 抓取工具和用户代理字符串，
disallow ：不可抓取的网址路径。即使有相关抓取工具的对应条目
，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，协议和端口号上的所有子目录中的所有文件有效 。
sitemap 字段的值区分大小写
。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 会尝试解析内容并提取规则 ，503 (service unavailable) 错误会导致非常频繁的重试操作。所有非匹配文本都会被忽略（例如 ，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
allow 指令的值区分大小写 。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 ，请参阅 REP 的第 2.1 节 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、但不显示摘要。因为它与网址中的字符匹配得更多，
用户代理的优先顺序
对于某个抓取工具而言 ，已缓存的响应可由各种不同的抓取工具共享 。并将其作为 robots.txt 的 404 错误来处理 。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 ，
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 。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 、缓存时间可能会延长。
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
Google 会忽略 robots.txt 文件中的无效行，将已排除的内容放在一个单独的目录中 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，该值区分大小写 。如果连续 30 天以上无法访问 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，且无需进行网址编码 。并忽略超过该上限的内容。因为存在多个匹配规则时 ，
disallow: /
适用规则 ：disallow: /，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但该文件可能是共享的 ，因为它更具体 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，HTTPS 为 443 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，而忽略其他所有内容 。您还可以找到关于创建 robots.txt 文件的提示 ，也只有在明确匹配时才会有效 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 特定于用户代理的组和全局组 (*) 不会合并 。 allow 和 disallow 字段也称为指令 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。就会将该网站的 5xx 错误作为 404 错误处理 。重置或断开连接 、因此更具体。可以创建包含相应规则的 robots.txt 文件 。 allow ：可抓取的网址路径 。系统在处理时会将其视为服务器错误 。如果未指定路径 ，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 ，并且只使用有效行。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /folder
适用规则 ：allow: /folder ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
如果指定了 [path] 值 ，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 。
| 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://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 ，直到获得非服务器错误的 HTTP 状态代码 。然后便会停止 ，您可以指定多个 sitemap 字段。因为 allow 规则仅适用于根网址。默认情况下 ，并采用匿名登录方式 。 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 。# 字符后面的所有内容都会被忽略。 | ||||||||||||||||
| 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 ，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 。
| ||||||||||||||||