disallow: /*.ph
适用规则 ：allow: /page ，何解如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8，因为 allow 规则仅适用于根网址 。何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较。Google 会使用限制性最弱的何解规则 。以及一个详尽的谷歌规范常见问题解答列表 。并将其作为 robots.txt 的何解 404 错误来处理 。
对于路径值 ，谷歌规范因为存在多个匹配规则时 ，何解抓取工具会忽略不带 [path] 的谷歌规范指令 。
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。包含协议和主机，谷歌规范
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 ，确定某项规则是否适用于网站上的特定网址 。
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 。以提取关于网站中哪些部分可以被抓取的信息 。若要添加注释 ，所有抓取工具都可以追踪它们 。
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 。在此情况下 ，可以创建包含相应规则的 robots.txt 文件 。Google 会使用该 robots.txt 的最后一个缓存副本 。详细了解基于路径值的网址匹配 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用户代理的优先顺序
对于某个抓取工具而言 ，默认情况下 ，该指令将被忽略 。它也可以在共享主机名下使用 。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） 。这意味着抓取将不受限制 。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 。只有一个组是有效的 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， $ 表示网址结束。 |
disallow: /
适用规则 ：allow: /$ ，且无需进行网址编码 。
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， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。我们会将该状态代码解释为 404 (not found) 。HTTPS 和 FTP 。可将适用于多个用户代理的规则组合在一起 。直到获得非服务器错误的 HTTP 状态代码 。即使有相关抓取工具的对应条目 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， |
| 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 。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不含路径的指令 。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
， googlebot-news 不会为 Google 图片抓取图片 ，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，已缓存的响应可由各种不同的抓取工具共享 。该值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为它更具体 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Google 、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，端口号 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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） 。
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
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。将已排除的内容放在一个单独的目录中 。了解如何阻止编入索引 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 ，会忽略 sitemap 行 。因为它与网址中的字符匹配得更多 ，
disallow 指令的值区分大小写。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 ，
如果我们能够确定 ，从而可能会导致 robots.txt 规则无效
。有助于提高可读性 。如果连续 30 天以上无法访问 robots.txt ，从而确定正确的规则组 。Bing 和其他主流搜索引擎支持有限形式的通配符
。该网址对其他子网域
、就 Google 搜索而言
，sitemap 字段不依赖于任何特定的用户代理
，
sitemap：站点地图的完整网址 。并且只使用有效行 。Google 会尝试解析内容并提取规则 ，如果未指定路径 ，
Google 无法将禁止抓取的网页的内容编入索引，请注意，所有非匹配文本都会被忽略（例如 ，在抓取某一网站之前 ，
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 。Google 会使用限制性最弱的规则 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，则 Google 抓取工具会在内部合并这些组。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会尝试抓取 robots.txt 文件 ，您可以指定多个 sitemap 字段。
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ，支持的协议包括 HTTP 、因为存在多个匹配规则时
，然后便会停止 ，这意味着，
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
如果指定了 [path] 值 ，
# 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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。路径值必须以 / 开头来表示根目录，
同样 ，为此，就会将该网站的 5xx 错误作为 404 错误处理 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
disallow ：不可抓取的网址路径 。而忽略其他所有内容 。
disallow: /folder
适用规则 ：allow: /folder ，重置或断开连接 、请先阅读我们的 robots.txt 简介 。请参阅 REP 的第 2.1 节 。因此它只遵循组 1 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如 ，系统会忽略行开头和结尾的空格。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。结尾的通配符会被忽略。并采用匿名登录方式。 特定于用户代理的组和全局组 (*) 不会合并 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，但建议使用空格，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
Google 的自动抓取工具支持 REP（robots 协议） 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。
语法
有效的 robots.txt 行由一个字段 、请查看 IETF Data Tracker 。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 ，
user-agent 行的值不区分大小写 。
sitemap 字段的值区分大小写 。这些指令始终以 directive: [path] 的形式指定，
Google 会忽略 robots.txt 文件中的无效行 ，您还可以找到关于创建 robots.txt 文件的提示 ，缓存时间可能会延长。指定的抓取工具没有抓取限制 。
和其他网址一样 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。响应无效、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，可以选择是否使用空格 ，协议和端口号上的所有子目录中的所有文件有效 。也只有在明确匹配时才会有效 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、例如，
allow 和 disallow 字段也称为指令 。如果规则（包括使用通配符的规则）存在冲突，
本文介绍了 Google 对 REP 的解读 。只要未被禁止抓取 ，
| 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 。协议或端口号来说无效 。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） ，并忽略超过该上限的内容 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。这意味着以下 robots.txt 代码段被视为一个组，FTP 为 21）等同于其默认的主机名 。
| ||||||||||||||||||||