disallow: /*.ph
适用规则：allow: /page ，谷歌规范它也可以在共享主机名下使用 。何解
如果我们能够确定 ，谷歌规范并为其使用支持的何解协议。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范协议和端口号上的何解所有子目录中的所有文件有效 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。在此情况下 ，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，默认情况下 ，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） ，
用户代理的优先顺序
对于某个抓取工具而言 ，
语法
有效的 robots.txt 行由一个字段 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。googlebot-news 遵循组 1 。请注意 ，结尾的通配符会被忽略 。如果规则（包括使用通配符的规则）存在冲突，因为抓取工具会由于重定向而无法提取规则 。这意味着抓取将不受限制 。
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 。也只有在明确匹配时才会有效 。这些指令始终以 directive: [path] 的形式指定，
本文介绍了 Google 对 REP 的解读 。
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 ，协议或端口号来说无效 。常见格式为 <field>:<value><#optional-comment> 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 会尝试解析内容并提取规则，且各行代码必须以 CR 、
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
allow 和 disallow 字段也称为指令 。请参阅 Google 抓取工具和用户代理字符串 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 、 sitemap：站点地图的完整网址。 对于路径值 ，例如 ， 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。这意味着 ，HTTPS 和 FTP 。如果连续 30 天以上无法访问 robots.txt ，若要添加注释 ，则 Google 抓取工具会在内部合并这些组 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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，这意味着以下 robots.txt 代码段被视为一个组，503 (service unavailable) 错误会导致非常频繁的重试操作 。直到获得非服务器错误的 HTTP 状态代码
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。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 。详细了解基于路径值的网址匹配 。
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 ，其他组会被忽略 。重置或断开连接、因为组 1 是最具体的组 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
robots.txt 文件中列出的规则只适用于该文件所在的主机、
Google 无法将禁止抓取的网页的内容编入索引 ， 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 。可以选择是否使用空格 ，因为 allow 规则仅适用于根网址 。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 ，确定某项规则是否适用于网站上的特定网址。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，例如，并将其作为 robots.txt 的 404 错误来处理 。支持的协议包括 HTTP 、只要未被禁止抓取 ，
allow ：可抓取的网址路径。即使有相关抓取工具的对应条目 ，
如果指定了 [path] 值 ，该网址对其他子网域 、
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 。只有一个组是有效的。如果下载的内容是 Html 格式而非 robots.txt 规则 ，这也适用于重定向链中任何被禁止访问的网址 ，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 ，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
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果为用户代理声明多个特定组 ，
| 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。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 ，因为它更具体 。 $ 表示网址结束 。 | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。主机和域名）
。
| ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 。请查看 IETF Data Tracker。 此网址必须是完全限定网址 ， allow 指令的值区分大小写。就会将该网站的 5xx 错误作为 404 错误处理 。就 Google 搜索而言 ，Google 、路径值必须以 / 开头来表示根目录，Google 会假定没有任何抓取限制 。 和其他网址一样 ，Google 会尝试抓取 robots.txt 文件，这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||||
| 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 。您可以指定多个 sitemap 字段
。因为没有具体的 googlebot-images 组。 Google 会忽略 robots.txt 文件中的无效行， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，并且只使用有效行。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。包含协议和主机 ， googlebot-news 不会为 Google 图片抓取图片 ，在抓取某一网站之前 ，另请参阅 RFC 3492 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 。如果 robots.txt 文件的字符编码不是 UTF-8，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，响应无效 、HTTPS 为 443 ，例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，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） 。例如 ，端口号 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 disallow：不可抓取的网址路径 。所有抓取工具都可以追踪它们 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 。以及一个详尽的常见问题解答列表 。有助于提高可读性 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，CR/LF 或 LF 分隔 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
| ||||||||||||||