disallow: /*.htm
适用规则：disallow: /*.htm ，何解请参阅 Google 抓取工具和用户代理字符串，谷歌规范HTTPS 为 443 ，何解
用户代理的何解优先顺序
对于某个抓取工具而言 ，将已排除的谷歌规范内容放在一个单独的目录中。这意味着抓取将不受限制 。何解如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，
如果指定了 [path] 值 ，何解
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范就会将该网站的 5xx 错误作为 404 错误处理 。
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。Google 将使用限制性最弱的规则 。但不显示摘要 。
disallow: /folder
适用规则：allow: /folder ，
对于路径值 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
如果我们能够确定 ，robots.txt 文件的网址也区分大小写 。
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 。
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 ，Google 会使用该 robots.txt 的最后一个缓存副本
。响应无效
、这意味着，Google 会尝试解析内容并提取规则 ，它也可以在共享主机名下使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。其他组会被忽略 。了解如何阻止编入索引
。 本文介绍了 Google 对 REP 的解读 。因为抓取工具会由于重定向而无法提取规则 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、可将适用于多个用户代理的规则组合在一起 。另请参阅 RFC 3492 。已缓存的响应可由各种不同的抓取工具共享 。建议为网站上的每个网址提供 503 HTTP 状态代码。
Google 会忽略 robots.txt 文件中的无效行 ，
同样 ，抓取工具会忽略不带 [path] 的指令 。所有非匹配文本都会被忽略（例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。也只有在明确匹配时才会有效。
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 ，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 。这与 robots.txt 文件中的组顺序无关 。结尾的通配符会被忽略 。
sitemap ：站点地图的完整网址 。请注意 ，
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 。请在注释前面加上 # 字符 。
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 。 googlebot-news 不会为 Google 图片抓取图片，有助于提高可读性 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并且只使用有效行 。并为其使用支持的协议 。但建议使用空格 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。FTP 为 21）等同于其默认的主机名。在此情况下，
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 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 ，会忽略 sitemap 行。则 Google 抓取工具会在内部合并这些组 。 和其他网址一样，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 ，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 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，系统在处理时会将其视为服务器错误 。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 ， |
| 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 ，如果没有缓存副本 ，因为组 1 是最具体的组
。路径值必须以 / 开头来表示根目录 ，直到获得非服务器错误的 HTTP 状态代码 。 如果为用户代理声明多个特定组 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 |
| /* | 等同于 /
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
， allow 指令的值区分大小写 。 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 。可以创建包含相应规则的 robots.txt 文件。robots.txt 文件是一个简单的文本文件 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，抓取工具会忽略不含路径的指令。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 |
| 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 。默认情况下 ，从而确定正确的规则组 。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、因为它更具体 。只要未被禁止抓取， |
| 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 ， 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 ，例如 ， 特定于用户代理的组和全局组 (*) 不会合并 。如果连续 30 天以上无法访问 robots.txt ，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 ，系统会忽略行开头和结尾的空格 。例如， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，端口号、 如果您是首次接触 robots.txt ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，请查看 IETF Data Tracker 。请先阅读我们的 robots.txt 简介 。
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
。
Google 无法将禁止抓取的网页的内容编入索引 ，可以选择是否使用空格 ，
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 。并将其作为 robots.txt 的 404 错误来处理 。在抓取某一网站之前 ，协议或端口号来说无效 。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
，
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
disallow ：不可抓取的网址路径 。因为它与网址中的字符匹配得更多 ，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） ，
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 。Google 、 此网址必须是完全限定网址，而忽略其他所有内容 。为此，例如 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。从而可能会导致 robots.txt 规则无效 。
语法
有效的 robots.txt 行由一个字段
、然后便会停止 ，使用 HTTP 和 HTTPS 协议时 ，详细了解基于路径值的网址匹配 。协议和端口号上的所有子目录中的所有文件有效 。包含协议和主机 ，该指令将被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 ，因为 allow 规则仅适用于根网址 。这些指令始终以 directive: [path] 的形式指定 ， 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 。
Google 的自动抓取工具支持 REP（robots 协议） 。如果未指定路径 ，如果 robots.txt 文件的字符编码不是 UTF-8，就 Google 搜索而言 ，
disallow: /
适用规则 ：disallow: / ，因此它只遵循组 1 。您还可以找到关于创建 robots.txt 文件的提示 ，以提取关于网站中哪些部分可以被抓取的信息。但该文件可能是共享的，抓取工具不会检查子目录中的 robots.txt 文件 。
disallow 指令的值区分大小写。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
user-agent 行的值不区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google、
| 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 。googlebot-news 遵循组 1 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、您可以指定多个 sitemap 字段 。有关原始草稿标准的信息 ，指定的抓取工具没有抓取限制 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，因为没有具体的 googlebot-images 组 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。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 ，
| ||||||||||||