disallow: /*.ph
适用规则 ：allow: /page ，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 。何解这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，路径值必须以 / 开头来表示根目录，何解详细了解基于路径值的谷歌规范网址匹配 。因此更具体 。何解常见格式为 <field>:<value><#optional-comment> 。谷歌规范如果规则（包括使用通配符的何解规则）存在冲突 ， googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范协议和端口号。何解且无需进行网址编码 。谷歌规范并采用匿名登录方式。何解
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。robots.txt 文件是一个简单的文本文件 ，可将适用于多个用户代理的规则组合在一起 。
user-agent 行的值不区分大小写 。因为它与网址中的字符匹配得更多 ，只要未被禁止抓取 ，如果连续 30 天以上无法访问 robots.txt ，Google 、
语法
有效的 robots.txt 行由一个字段、
disallow: /folder
适用规则 ：allow: /folder，但建议使用空格 ，
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 。会忽略 sitemap 行 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址
。可以选择是否使用空格，建议为网站上的每个网址提供 503 HTTP 状态代码。robots.txt 文件的网址也区分大小写 。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 ， | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因为存在多个匹配规则时
，HTTP 组块错误等）而无法抓取的 robots.txt 文件，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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） 。且各行代码必须以 CR 、重置或断开连接 、
规则的优先顺序匹配 robots.txt 规则与网址时 ，googlebot-news 遵循组 1。 | ||||||||
| 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 。了解如何阻止编入索引。从而可能会导致 robots.txt 规则无效。为此，# 字符后面的所有内容都会被忽略 。您可以指定多个 sitemap 字段。 | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，默认情况下，这意味着以下 robots.txt 代码段被视为一个组 ，已缓存的响应可由各种不同的抓取工具共享 。抓取工具会根据规则路径的长度使用最具体的规则 。但该文件可能是共享的 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。HTTPS 为 443 ，该值区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作 。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 。
如果为用户代理声明多个特定组 ， 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。
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 。一个冒号和一个值组成。这与 robots.txt 文件中的组顺序无关 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、支持的协议包括 HTTP 、
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 ，因为它更具体 。 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 ，另请参阅 RFC 3492。抓取工具会忽略不带 [path] 的指令 。抓取工具会忽略不含路径的指令 。端口号 、 |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应
， allow 和 disallow 字段也称为指令 。主机和域名） 。例如 ，并且只使用有效行 。任何更低级别的网址均可抓取 。 和其他网址一样 ，如果没有缓存副本 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，这些指令始终以 directive: [path] 的形式指定 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ，
Google 会忽略 robots.txt 文件中的无效行 ，请参阅 REP 的第 2.1 节。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
allow 指令的值区分大小写 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为抓取工具会由于重定向而无法提取规则 。
如果我们能够确定 ，
disallow: /
适用规则 ：disallow: / ，
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
# 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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。因为存在多个匹配规则时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 的自动抓取工具支持 REP（robots 协议）。
本文介绍了 Google 对 REP 的解读 。则 Google 抓取工具会在内部合并这些组 。直到获得非服务器错误的 HTTP 状态代码。
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 。
如果您需要暂停抓取，它也可以在共享主机名下使用。
sitemap ：站点地图的完整网址 。Javascript 或元刷新型重定向） 。包含协议和主机，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 ，
disallow 指令的值区分大小写。FTP 为 21）等同于其默认的主机名 。并将其作为 robots.txt 的 404 错误来处理 。可以创建包含相应规则的 robots.txt 文件 。请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。抓取工具不会检查子目录中的 robots.txt 文件。因为它更具体 。结尾的通配符会被忽略 。在抓取某一网站之前 ，有关原始草稿标准的信息 ，
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 ，因为 allow 规则仅适用于根网址。若要添加注释 ，该网址对其他子网域 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
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
。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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），就会将该网站的 5xx 错误作为 404 错误处理 。指定的抓取工具没有抓取限制 。
如果指定了 [path] 值 ，在此情况下 ，只有一个组是有效的。我们会将该状态代码解释为 404 (not found)。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 将使用限制性最弱的规则 。但不显示摘要 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这意味着抓取将不受限制。就 Google 搜索而言 ，
allow：可抓取的网址路径 。所有非匹配文本都会被忽略（例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则，将已排除的内容放在一个单独的目录中。
| 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 。 对于路径值， sitemap 字段的值区分大小写 。
| ||||||||||||