disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解且无需进行网址编码。谷歌规范请参阅 Google 抓取工具和用户代理字符串 ，何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，因为存在多个匹配规则时，何解常见格式为 <field>:<value><#optional-comment> 。谷歌规范例如 ，何解
allow ：可抓取的谷歌规范网址路径 。example.com 的何解 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，您可以指定多个 sitemap 字段 。谷歌规范
本文介绍了 Google 对 REP 的解读 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。请查看 IETF Data Tracker 。robots.txt 文件的网址也区分大小写 。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，
allow 指令的值区分大小写
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，抓取工具会忽略不带 [path] 的指令 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。协议和端口号上的所有子目录中的所有文件有效 。 特定于用户代理的组和全局组 (*) 不会合并 。以提取关于网站中哪些部分可以被抓取的信息 。因此它只遵循组 1 。结尾的通配符会被忽略 。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 ，结尾的通配符会被忽略。然后便会停止 ，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 。 | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，但建议使用空格 ， 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 。以及一个详尽的常见问题解答列表 。指定的抓取工具没有抓取限制 。为此 ， | ||||||||||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。了解如何阻止编入索引 。这意味着以下 robots.txt 代码段被视为一个组， | ||||||||||||||||||
| /fish* | 等同于 /fish。 | ||||||||||||||||||
| 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， 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。该指令将被忽略 。Google 将使用限制性最弱的规则 。 sitemap：站点地图的完整网址。其他组会被忽略 。可以创建包含相应规则的 robots.txt 文件 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具不会检查子目录中的 robots.txt 文件 。如果连续 30 天以上无法访问 robots.txt，请在注释前面加上 # 字符 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，会忽略 sitemap 行。 | ||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，可以选择是否使用空格 ，因为存在多个匹配规则时，支持的协议包括 HTTP 、它也可以在共享主机名下使用 。确定某项规则是否适用于网站上的特定网址 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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
，因为它与网址中的字符匹配得更多 ，Google 、其中 [path] 可以选择性使用 。
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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。并采用匿名登录方式 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。路径值必须以 / 开头来表示根目录 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。此网址不需要与 robots.txt 文件位于同一主机上 。
同样 ，
如果指定了 [path] 值 ，
sitemap 字段的值区分大小写 。因为它更具体 。
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 。并将其作为 robots.txt 的 404 错误来处理 。系统在处理时会将其视为服务器错误 。如果没有缓存副本 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在抓取某一网站之前 ，该值区分大小写 。一个冒号和一个值组成 。可将适用于多个用户代理的规则组合在一起 。就 Google 搜索而言 ，
Google 会忽略 robots.txt 文件中的无效行，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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
。建议为网站上的每个网址提供 503 HTTP 状态代码。这与 robots.txt 文件中的组顺序无关
。CR/LF 或 LF 分隔 。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 ， 例如 ，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 ，但该文件可能是共享的 ，因为 allow 规则仅适用于根网址。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| Googlebot（网络） | googlebot 遵循组 3
。 googlebot-news 不会为 Google 图片抓取图片 ，即使有相关抓取工具的对应条目 ，有关原始草稿标准的信息 ，任何更低级别的网址均可抓取 。若要添加注释，响应无效 、 disallow ：不可抓取的网址路径。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
| 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 。 | ||||||||||||
| 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
。这意味着抓取将不受限制。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 。包含协议和主机
，将已排除的内容放在一个单独的目录中 。并忽略超过该上限的内容 。 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 。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 。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 、 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 ：
| ||||||||||||