disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解并将其作为 robots.txt 的谷歌规范 404 错误来处理 。 |
| 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 。该值区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，包含协议和主机 ， 本文介绍了 Google 对 REP 的解读 。抓取工具会忽略不带 [path] 的指令 。详细了解基于路径值的网址匹配 。 |
| /$ | 仅匹配根目录 。然后便会停止 ，可以创建包含相应规则的 robots.txt 文件 。 |
| /fish | 匹配以 /fish 开头的任何路径 。它也可以在共享主机名下使用 。所有非匹配文本都会被忽略（例如， |
| Googlebot Images | googlebot-images 遵循组 2 ，且各行代码必须以 CR 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，有关原始草稿标准的信息 ，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 ， 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 ，可以选择是否使用空格 ，该网址对其他子网域 、 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，已缓存的响应可由各种不同的抓取工具共享 。例如 ，sitemap 字段不依赖于任何特定的用户代理 ，
如果为用户代理声明多个特定组，支持的协议包括 HTTP 、
Google 无法将禁止抓取的网页的内容编入索引 ，
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 。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 。此网址不需要与 robots.txt 文件位于同一主机上 。
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，
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 ，googlebot-news 遵循组 1 。会忽略 sitemap 行 。
| 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。因为存在多个匹配规则时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。则 Google 抓取工具会在内部合并这些组。这些指令始终以 directive: [path] 的形式指定 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。robots.txt 文件是一个简单的文本文件 ，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。这意味着以下 robots.txt 代码段被视为一个组 ， allow 指令的值区分大小写 。但该文件可能是共享的 ，并且只使用有效行 。就 Google 搜索而言 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、FTP 为 21）等同于其默认的主机名。抓取工具会忽略不含路径的指令 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因为没有具体的 googlebot-images 组 。 sitemap 字段的值区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以及一个详尽的常见问题解答列表 。 disallow 指令的值区分大小写
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。HTTPS 为 443 ， | ||||||||||||||||||||||||||||||
| 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，系统会忽略行开头和结尾的空格
。但不显示摘要
。 allow：可抓取的网址路径 。 | ||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。因为抓取工具会由于重定向而无法提取规则 。 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
。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 ， 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 ，Google 会尝试抓取 robots.txt 文件
，# 字符后面的所有内容都会被忽略 。其他组会被忽略 。 | ||||||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，请参阅 REP 的第 2.1 节。也只有在明确匹配时才会有效 。缓存时间可能会延长 。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，因为它与网址中的字符匹配得更多 ，您可以指定多个 sitemap 字段 。Google 会使用限制性最弱的规则 。因为存在多个匹配规则时 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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 。CR/LF 或 LF 分隔 。即使有相关抓取工具的对应条目 ，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） 。所有抓取工具都可以追踪它们 。如果没有缓存副本 ，
对于路径值 ，这与 robots.txt 文件中的组顺序无关 。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 ，
如果我们能够确定 ，请查看 IETF Data Tracker
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
disallow ：不可抓取的网址路径 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果规则（包括使用通配符的规则）存在冲突 ，
disallow: /*.ph
适用规则 ：allow: /page，503 (service unavailable) 错误会导致非常频繁的重试操作 。因为它更具体 。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。
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 。
disallow: /folder
适用规则：allow: /folder ，
Google 的自动抓取工具支持 REP（robots 协议） 。使用 HTTP 和 HTTPS 协议时 ，请注意，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），