disallow: /*.htm
适用规则：disallow: /*.htm ，谷歌规范只有一个组是何解有效的。就会将该网站的谷歌规范 5xx 错误作为 404 错误处理。
Google 无法将禁止抓取的何解网页的内容编入索引 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范指定的何解抓取工具没有抓取限制 。如果连续 30 天以上无法访问 robots.txt ，谷歌规范
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent 行的值不区分大小写。抓取工具会忽略不带 [path] 的指令。
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 的自动抓取工具支持 REP（robots 协议）。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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，Google 将使用限制性最弱的规则 。
| 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 。所有抓取工具都可以追踪它们 。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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， allow 和 disallow 字段也称为指令。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，HTTPS 为 443 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| Googlebot Images | googlebot-images 遵循组 2，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，确定某项规则是否适用于网站上的特定网址 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。您可以指定多个 sitemap 字段 。例如 ， |
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| 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。这意味着以下 robots.txt 代码段被视为一个组，并为其使用支持的协议 。任何更低级别的网址均可抓取 。请先阅读我们的 robots.txt 简介。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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） ， googlebot-news 不会为 Google 图片抓取图片 ，此网址不需要与 robots.txt 文件位于同一主机上 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。例如 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因此它只遵循组 1 。例如 ， allow 指令的值区分大小写 。HTTP 组块错误等）而无法抓取的 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） ， 和其他网址一样，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。系统会忽略行开头和结尾的空格。重置或断开连接、它也可以在共享主机名下使用 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。如果下载的内容是 Html 格式而非 robots.txt 规则 ，且无需进行网址编码 。如果 robots.txt 文件的字符编码不是 UTF-8 ， allow ：可抓取的网址路径 。这也适用于重定向链中任何被禁止访问的网址 ，FTP 为 21）等同于其默认的主机名 。您还可以找到关于创建 robots.txt 文件的提示，因为存在多个匹配规则时 ，从而可能会导致 robots.txt 规则无效 。 如果指定了 [path] 值 ，抓取工具不会检查子目录中的 robots.txt 文件 。# 字符后面的所有内容都会被忽略 。了解如何阻止编入索引 。因为它更具体 。请注意 ，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 ，抓取工具会根据规则路径的长度使用最具体的规则 。且各行代码必须以 CR 、 如果为用户代理声明多个特定组 ，Google 会尝试解析内容并提取规则 ，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 。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 ，即使有相关抓取工具的对应条目 ，如果规则（包括使用通配符的规则）存在冲突 ，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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。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。抓取工具会忽略不含路径的指令 。 |
| 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。Google、 |
| /fish* | 等同于 /fish
。 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，只要未被禁止抓取 ，结尾的通配符会被忽略
。协议或端口号来说无效
。Google 会尝试抓取 robots.txt 文件 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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 。这意味着抓取将不受限制。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。详细了解基于路径值的网址匹配 。HTTPS 和 FTP 。并忽略超过该上限的内容 。如果没有缓存副本 ，因为它更具体 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow: /
适用规则 ：disallow: /，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
disallow ：不可抓取的网址路径 。该网址对其他子网域、Bing 和其他主流搜索引擎支持有限形式的通配符 。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 ，
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 。sitemap 字段不依赖于任何特定的用户代理 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
如果您需要暂停抓取 ，请在注释前面加上 # 字符。
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 ， 此网址必须是完全限定网址 ，有关原始草稿标准的信息，我们会将该状态代码解释为 404 (not found) 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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。
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，响应无效 、默认情况下，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，因为抓取工具会由于重定向而无法提取规则 。
语法
有效的 robots.txt 行由一个字段
、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 ，协议和端口号 。因为存在多个匹配规则时 ，
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 。使用 HTTP 和 HTTPS 协议时 ，
sitemap：站点地图的完整网址 。
如果我们能够确定 ，以及一个详尽的常见问题解答列表 。因为它与网址中的字符匹配得更多，而忽略其他所有内容
。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 ，
同样 ，端口号 、但建议使用空格 ，会忽略 sitemap 行 。请参阅 REP 的第 2.1 节 。如果未指定路径 ，
对于路径值，另请参阅 RFC 3492。因此更具体 。
Google 会忽略 robots.txt 文件中的无效行 ，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） 。这些指令始终以 directive: [path] 的形式指定，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，一个冒号和一个值组成 。对同一个主机 、robots.txt 文件是一个简单的文本文件 ，
sitemap 字段的值区分大小写。以提取关于网站中哪些部分可以被抓取的信息 。可以选择是否使用空格 ，因为组 1 是最具体的组 。例如 ，
| 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 。将已排除的内容放在一个单独的目录中 。因为没有具体的 googlebot-images 组 。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
、这与 robots.txt 文件中的组顺序无关 。 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 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。可以创建包含相应规则的 robots.txt 文件 。 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 ， | ||||||||
| 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 ，该指令将被忽略 。 | ||||||||
| 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 如果您是首次接触 robots.txt ，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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。若要添加注释 ，结尾的通配符会被忽略 。就 Google 搜索而言 ， 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 。支持的协议包括 HTTP、Google 会使用该 robots.txt 的最后一个缓存副本 。robots.txt 文件的网址也区分大小写 。 | ||||||||
| 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 。 | ||||||||
| 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， 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 。 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 ：
| ||||||||