disallow: /*.ph
适用规则：allow: /page ，何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
语法
有效的何解 robots.txt 行由一个字段、这意味着，谷歌规范详细了解基于路径值的何解网址匹配 。从而确定正确的谷歌规范规则组。会忽略 sitemap 行 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。路径值必须以 / 开头来表示根目录 ， 此网址必须是完全限定网址 ，抓取工具会根据规则路径的长度使用最具体的规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为存在多个匹配规则时 ，支持的协议包括 HTTP 、如果未指定路径 ，结尾的通配符会被忽略 。但不显示摘要 。您可以指定多个 sitemap 字段 。
Google 无法将禁止抓取的网页的内容编入索引 ，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） ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，包含协议和主机 ，可将适用于多个用户代理的规则组合在一起 。
Google 会忽略 robots.txt 文件中的无效行 ，
| 示例情况 | |||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，抓取工具会忽略不含路径的指令 。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
， | ||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。这意味着以下 robots.txt 代码段被视为一个组
，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符。但建议使用空格 ， 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 。 | ||||||||||||||||||||||||||||||||||||||
| 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
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、端口号、可以选择是否使用空格 ， 如果您是首次接触 robots.txt ，在此情况下 ，所有非匹配文本都会被忽略（例如 ，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 ， 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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它更具体。因此更具体 。例如 ，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 ，所有抓取工具都可以追踪它们 。该指令将被忽略 。可以创建包含相应规则的 robots.txt 文件。了解如何阻止编入索引 。例如 ，请在注释前面加上 # 字符 。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 。 disallow 指令的值区分大小写 。响应无效 、但该文件可能是共享的 ，已缓存的响应可由各种不同的抓取工具共享。这与 robots.txt 文件中的组顺序无关 。CR/LF 或 LF 分隔 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||||||||||||||||||||||||
| 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 。另请参阅 RFC 3492 。Google 、 sitemap 字段的值区分大小写 。该网址对其他子网域 、这些指令始终以 directive: [path] 的形式指定 ，且无需进行网址编码
。因为组 1 是最具体的组。 | ||||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。它也可以在共享主机名下使用 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、缓存时间可能会延长 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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 。其他组会被忽略 。如果没有缓存副本 ，主机和域名）。HTTPS 为 443，如果连续 30 天以上无法访问 robots.txt ，只有一个组是有效的 。
| 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。请参阅 REP 的第 2.1 节 。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 。 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。 allow 指令的值区分大小写 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ， 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，结尾的通配符会被忽略。该值区分大小写 。对同一个主机 、抓取工具不会检查子目录中的 robots.txt 文件 。因为它与网址中的字符匹配得更多 ， 特定于用户代理的组和全局组 (*) 不会合并 。我们会将该状态代码解释为 404 (not found) 。
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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并采用匿名登录方式 。
如果指定了 [path] 值，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会使用该 robots.txt 的最后一个缓存副本 。FTP 为 21）等同于其默认的主机名 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，从而可能会导致 robots.txt 规则无效 。若要添加注释 ，
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 ，# 字符后面的所有内容都会被忽略 。任何更低级别的网址均可抓取 。 |
| /$ | 仅匹配根目录
。并为其使用支持的协议 。也只有在明确匹配时才会有效 。 例如 ，因此它只遵循组 1 。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
，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。 如果您需要暂停抓取 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。为此 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，一个冒号和一个值组成。因为抓取工具会由于重定向而无法提取规则 。 用户代理的优先顺序对于某个抓取工具而言， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，