disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范
allow 指令的何解值区分大小写。包含协议和主机 ，谷歌规范因此它只遵循组 1。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 ，sitemap 字段不依赖于任何特定的何解用户代理 ，因为存在多个匹配规则时，谷歌规范该值区分大小写 。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。请查看 IETF Data Tracker 。何解我们会将该状态代码解释为 404 (not found) 。谷歌规范因此更具体 。何解因为它更具体。谷歌规范路径值必须以 / 开头来表示根目录 ，何解在此情况下 ，谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，然后便会停止，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时
， | ||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，请注意 ，协议或端口号来说无效 。有关原始草稿标准的信息 ，但建议使用空格 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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） 。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 ，而忽略其他所有内容 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会假定没有任何抓取限制 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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。503 (service unavailable) 错误会导致非常频繁的重试操作 。
| 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。抓取工具会根据规则路径的长度使用最具体的规则。 Google 的自动抓取工具支持 REP（robots 协议） 。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 。以提取关于网站中哪些部分可以被抓取的信息。这些指令始终以 directive: [path] 的形式指定 ， sitemap：站点地图的完整网址 。任何更低级别的网址均可抓取。以及一个详尽的常见问题解答列表。Google 、 同样， |
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 。
disallow: /
适用规则：allow: /$ ，Google 将使用限制性最弱的规则 。默认情况下 ，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 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，主机和域名）
。其他组会被忽略 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。例如
，直到获得非服务器错误的 HTTP 状态代码。 此网址必须是完全限定网址 ，其中 [path] 可以选择性使用。请参阅 Google 抓取工具和用户代理字符串
，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 ，
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
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 。只要未被禁止抓取 ，将已排除的内容放在一个单独的目录中 。对同一个主机、
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果连续 30 天以上无法访问 robots.txt ，结尾的通配符会被忽略 。
如果为用户代理声明多个特定组 ，
对于路径值，Google 、请先阅读我们的 robots.txt 简介 。 特定于用户代理的组和全局组 (*) 不会合并 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 ， | ||||
| 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。因为 allow 规则仅适用于根网址 。并将其作为 robots.txt 的 404 错误来处理。即使有相关抓取工具的对应条目 ，因为存在多个匹配规则时 ，已缓存的响应可由各种不同的抓取工具共享 。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， | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 $ 表示网址结束 。也只有在明确匹配时才会有效 。 和其他网址一样 ，该指令将被忽略 。 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 ，从而确定正确的规则组 。HTTPS 为 443，抓取工具会忽略不含路径的指令。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，端口号 、 | ||||
| Googlebot（网络） | googlebot 遵循组 3 。 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 。并且只使用有效行。它也可以在共享主机名下使用 。 本文介绍了 Google 对 REP 的解读 。HTTPS 和 FTP。 | ||||
| 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 。 | ||||
| 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 。 user-agent 行的值不区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，如果规则（包括使用通配符的规则）存在冲突 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如， allow 和 disallow 字段也称为指令 。请在注释前面加上 # 字符 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||
| /$ | 仅匹配根目录 。但可能仍会将其网址编入索引并将其显示在搜索结果中，支持的协议包括 HTTP 、Google 可能会忽略不属于 UTF-8 范围的字符 ，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 ， | ||||
| /fish* | 等同于 /fish 。Google 会尝试解析内容并提取规则 ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，抓取工具不会检查子目录中的 robots.txt 文件 。 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 。这与 robots.txt 文件中的组顺序无关 。 | ||||
| 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 ，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 。可以创建包含相应规则的 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 。且无需进行网址编码。可将适用于多个用户代理的规则组合在一起 。所有抓取工具都可以追踪它们 。例如 ， | ||||
| 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 。若要添加注释，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 ，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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 sitemap 字段的值区分大小写 。但该文件可能是共享的，重置或断开连接、 | ||||