disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范HTTPS 和 FTP 。何解常见格式为 <field>:<value><#optional-comment> 。谷歌规范googlebot-news 遵循组 1。何解可以创建包含相应规则的谷歌规范 robots.txt 文件 。
不适用于：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效。CR/LF 或 LF 分隔 。谷歌规范Javascript 或元刷新型重定向） 。何解
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谷歌规范规则组 ：
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 ，详细了解基于路径值的何解网址匹配 。抓取工具会忽略不带 [path] 的谷歌规范指令 。重置或断开连接 、何解例如 ，谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则。
$ 表示网址结束 。谷歌规范则 Google 抓取工具会在内部合并这些组 。此网址不需要与 robots.txt 文件位于同一主机上 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，确定某项规则是否适用于网站上的特定网址 。因为存在多个匹配规则时 ，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 ，
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。这些指令始终以 directive: [path] 的形式指定 ， 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 。在此情况下 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，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 ，端口号
、 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。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 。请注意，您还可以找到关于创建 robots.txt 文件的提示 ， 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 会使用限制性最弱的规则。Google 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。
规则的优先顺序匹配 robots.txt 规则与网址时，Google 会使用该 robots.txt 的最后一个缓存副本。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，了解如何阻止编入索引 。因为抓取工具会由于重定向而无法提取规则 。Bing 和其他主流搜索引擎支持有限形式的通配符 。协议或端口号来说无效。协议和端口号上的所有子目录中的所有文件有效 。 googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会忽略不含路径的指令。但该文件可能是共享的 ，因为存在多个匹配规则时 ， 例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，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 ，例如 ，只要未被禁止抓取 ，以提取关于网站中哪些部分可以被抓取的信息 。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 ，就会将该网站的 5xx 错误作为 404 错误处理 。 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。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
，若要添加注释， 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。系统在处理时会将其视为服务器错误。响应无效 、抓取工具不会检查子目录中的 robots.txt 文件 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 | ||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，但不显示摘要 。但可能仍会将其网址编入索引并将其显示在搜索结果中，结尾的通配符会被忽略 。但建议使用空格 ，就 Google 搜索而言 ，只有一个组是有效的。请在注释前面加上 # 字符。从而确定正确的规则组。 |
| 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 ， user-agent 行的值不区分大小写 。因为它更具体 。FTP 为 21）等同于其默认的主机名 。 |
| /* | 等同于 /。该网址对其他子网域 、 Google 无法将禁止抓取的网页的内容编入索引 ，因为它与网址中的字符匹配得更多 ，且各行代码必须以 CR 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
和其他网址一样，这意味着抓取将不受限制。
disallow: /
适用规则 ：disallow: / ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
disallow 指令的值区分大小写 。请查看 IETF Data Tracker 。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 。主机和域名） 。从而可能会导致 robots.txt 规则无效 。Google 会假定没有任何抓取限制。如果规则（包括使用通配符的规则）存在冲突 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，以及一个详尽的常见问题解答列表 。因为 allow 规则仅适用于根网址 。有助于提高可读性 。您可以指定多个 sitemap 字段 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，而忽略其他所有内容 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 的自动抓取工具支持 REP（robots 协议） 。并忽略超过该上限的内容 。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 。
如果指定了 [path] 值 ，# 字符后面的所有内容都会被忽略。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 ，这意味着以下 robots.txt 代码段被视为一个组 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 。即使有相关抓取工具的对应条目 ，
用户代理的优先顺序
对于某个抓取工具而言，robots.txt 文件的网址也区分大小写 。
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 。Google 会使用限制性最弱的规则 。
| 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 。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）
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。并采用匿名登录方式 。如果没有缓存副本，因为组 1 是最具体的组 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 。 本文介绍了 Google 对 REP 的解读 。 |
| 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 。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。并且只使用有效行 。可将适用于多个用户代理的规则组合在一起。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。因为它更具体 。 |