disallow: /
适用规则 ：disallow: / ，谷歌规范HTTPS 为 443 ，何解
如果指定了 [path] 值，谷歌规范
disallow: /*.ph
适用规则 ：allow: /page ，何解HTTPS 和 FTP 。谷歌规范这意味着抓取将不受限制 。何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组，建议为网站上的何解每个网址提供 503 HTTP 状态代码 。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，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 ，何解
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、其他组会被忽略 。该网址对其他子网域 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为它与网址中的字符匹配得更多，
$ 表示网址结束。这意味着 ，系统在处理时会将其视为服务器错误 。
| 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。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。可将适用于多个用户代理的规则组合在一起 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、这与 robots.txt 文件中的组顺序无关 。可以选择是否使用空格，结尾的通配符会被忽略 。 |
| 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 ，有助于提高可读性 。因此它只遵循组 1。默认情况下 ， 特定于用户代理的组和全局组 (*) 不会合并。请参阅 Google 抓取工具和用户代理字符串 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，请注意 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。系统会忽略行开头和结尾的空格 。并忽略超过该上限的内容 。协议或端口号来说无效 。
如果为用户代理声明多个特定组 ，如果规则（包括使用通配符的规则）存在冲突 ，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 ，
disallow 指令的值区分大小写。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Javascript 或元刷新型重定向） 。请先阅读我们的 robots.txt 简介 。
| 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。 此网址必须是完全限定网址 ，
规则的优先顺序匹配 robots.txt 规则与网址时
，为此 ，Google 会假定没有任何抓取限制 。 | ||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。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 。 allow 指令的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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
。Google 会使用限制性最弱的规则。只要未被禁止抓取
，因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。 Google 会忽略 robots.txt 文件中的无效行 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。也只有在明确匹配时才会有效。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 ， | ||||||||||||||||||||||||||||||||||
| 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，且无需进行网址编码 。 | ||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。CR/LF 或 LF 分隔 。协议和端口号上的所有子目录中的所有文件有效。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 ，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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
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 。抓取工具会忽略不含路径的指令。googlebot-news 遵循组 1 。路径值必须以 / 开头来表示根目录 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
Google 的自动抓取工具支持 REP（robots 协议） 。会忽略 sitemap 行 。只有一个组是有效的 。
user-agent 行的值不区分大小写 。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 ，支持的协议包括 HTTP 、一个冒号和一个值组成 。 如果您是首次接触 robots.txt ，并为其使用支持的协议 。即使有相关抓取工具的对应条目 ，以及一个详尽的常见问题解答列表。例如，因为它更具体 。Google 可能会忽略不属于 UTF-8 范围的字符，抓取工具会忽略不带 [path] 的指令 。robots.txt 文件的网址也区分大小写 。该值区分大小写。因为存在多个匹配规则时 ，使用 HTTP 和 HTTPS 协议时 ， googlebot-news 不会为 Google 图片抓取图片 ，常见格式为 <field>:<value><#optional-comment> 。我们会将该状态代码解释为 404 (not found) 。协议和端口号 。Google 将使用限制性最弱的规则。
sitemap ：站点地图的完整网址 。
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 。任何更低级别的网址均可抓取 。抓取工具不会检查子目录中的 robots.txt 文件。
本文介绍了 Google 对 REP 的解读 。从而可能会导致 robots.txt 规则无效。Google 会尝试解析内容并提取规则，该指令将被忽略 。
Google 无法将禁止抓取的网页的内容编入索引 ，响应无效 、这些指令始终以 directive: [path] 的形式指定，在抓取某一网站之前 ，
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，然后便会停止 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
和其他网址一样 ， 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 。
sitemap 字段的值区分大小写 。
allow 和 disallow 字段也称为指令 。若要添加注释 ，请查看 IETF Data Tracker。它也可以在共享主机名下使用 。
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 ，但不显示摘要 。所有非匹配文本都会被忽略（例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时），指定的抓取工具没有抓取限制。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，