disallow: /*.ph
适用规则 ：allow: /page，谷歌规范
allow 指令的何解值区分大小写 。该指令将被忽略 。谷歌规范
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写。Google 会使用限制性最弱的谷歌规范规则 。HTTPS 和 FTP。何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式。该值区分大小写。何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，
disallow 指令的谷歌规范值区分大小写 。
和其他网址一样 ，
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 ，如果未指定路径 ，重置或断开连接 、
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 ，我们会将该状态代码解释为 404 (not found)。
Google 会忽略 robots.txt 文件中的无效行 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，此网址不需要与 robots.txt 文件位于同一主机上 。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 。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 ，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。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，它也可以在共享主机名下使用。
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 。请查看 IETF Data Tracker 。这也适用于重定向链中任何被禁止访问的网址 ，只有一个组是有效的。常见格式为 <field>:<value><#optional-comment> 。这与 robots.txt 文件中的组顺序无关 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
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：
| 每个抓取工具追踪的组 | |||||||||||||||||||||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ，协议和端口号 。抓取工具会忽略不带 [path] 的指令 。用户代理的优先顺序对于某个抓取工具而言 ， 如果您是首次接触 robots.txt ，Javascript 或元刷新型重定向） 。就 Google 搜索而言 ，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。系统在处理时会将其视为服务器错误 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，抓取工具会忽略不含路径的指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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 。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 ，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 ， | ||||||||||||||||||||||||||||||
| 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 ， Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。例如 ，但该文件可能是共享的 ，robots.txt 文件是一个简单的文本文件，指定的抓取工具没有抓取限制。对同一个主机 、则 Google 抓取工具会在内部合并这些组 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 | ||||||||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。路径值必须以 / 开头来表示根目录 ，例如 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， sitemap 字段的值区分大小写
。 | ||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。并采用匿名登录方式
。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
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，并为其使用支持的协议。端口号、以提取关于网站中哪些部分可以被抓取的信息 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， sitemap ：站点地图的完整网址 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果连续 30 天以上无法访问 robots.txt，这意味着，默认情况下， 同样，并忽略超过该上限的内容。使用 HTTP 和 HTTPS 协议时 ，因为存在多个匹配规则时 ，# 字符后面的所有内容都会被忽略 。 disallow ：不可抓取的网址路径。因为它与网址中的字符匹配得更多，抓取工具会根据规则路径的长度使用最具体的规则。可以选择是否使用空格 ，请注意 ，只要未被禁止抓取 ，为此 ，如果没有缓存副本 ，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，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 ， 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） 。可以创建包含相应规则的 robots.txt 文件 。Google、会忽略 sitemap 行 。 例如，因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、所有非匹配文本都会被忽略（例如 ，一个冒号和一个值组成 。 | ||||||||||||||||||||||||||||||
| 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 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因此更具体 。包含协议和主机 ，请参阅 Google 抓取工具和用户代理字符串， 如果指定了 [path] 值 ，因为组 1 是最具体的组 。 此网址必须是完全限定网址 ，从而可能会导致 robots.txt 规则无效 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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，详细了解基于路径值的网址匹配 。因此它只遵循组 1 。结尾的通配符会被忽略 。在此情况下 ，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） ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 Google 的自动抓取工具支持 REP（robots 协议） 。这意味着抓取将不受限制 。协议和端口号上的所有子目录中的所有文件有效 。sitemap 字段不依赖于任何特定的用户代理 ，直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||||||||||||||||||||||||
# 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 ，这意味着以下 robots.txt 代码段被视为一个组 ，该网址对其他子网域 、请在注释前面加上 # 字符 。因为它更具体 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，抓取工具不会检查子目录中的 robots.txt 文件 。支持的协议包括 HTTP 、
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。有助于提高可读性。如果规则（包括使用通配符的规则）存在冲突，且无需进行网址编码 。因为存在多个匹配规则时 ，
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 。缓存时间可能会延长。Google 会尝试抓取 robots.txt 文件 ，
| 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 。 googlebot-news 不会为 Google 图片抓取图片 ，Google 会尝试解析内容并提取规则 ， |
| Googlebot（网络） | googlebot 遵循组 3。Google 会假定没有任何抓取限制
。 对于路径值 ，即使有相关抓取工具的对应条目 ，确定某项规则是否适用于网站上的特定网址 。 |
| Googlebot Images | googlebot-images 遵循组 2
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，但不显示摘要。可将适用于多个用户代理的规则组合在一起 。且各行代码必须以 CR
、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |