disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解但该文件可能是谷歌规范共享的 ，请参阅 REP 的何解第 2.1 节。
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，为此 ，何解
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范协议和端口号 。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 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，另请参阅 RFC 3492 。谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。响应无效 、谷歌规范例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、系统会忽略行开头和结尾的空格。CR/LF 或 LF 分隔 。系统在处理时会将其视为服务器错误
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。该值区分大小写 。
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 指令的值区分大小写 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果连续 30 天以上无法访问 robots.txt，重置或断开连接 、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。只要未被禁止抓取 ，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 ，请注意 ，所有抓取工具都可以追踪它们 。这与 robots.txt 文件中的组顺序无关。HTTPS 和 FTP 。即使有相关抓取工具的对应条目 ，端口号 、抓取工具会忽略不含路径的指令 。FTP 为 21）等同于其默认的主机名 。
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。 | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，Google 可能会忽略不属于 UTF-8 范围的字符 ，如果没有缓存副本 ， Google 的自动抓取工具支持 REP（robots 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，HTTPS 为 443 ， 如果为用户代理声明多个特定组 ，因此更具体 。路径值必须以 / 开头来表示根目录 ，指定的抓取工具没有抓取限制 。 和其他网址一样 ，结尾的通配符会被忽略。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 allow 指令的值区分大小写 。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 。robots.txt 文件是一个简单的文本文件， allow 和 disallow 字段也称为指令 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google、googlebot/1.2 和 googlebot* 均等同于 googlebot）。结尾的通配符会被忽略 。且各行代码必须以 CR、 对于路径值 ，例如 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。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），robots.txt 文件的网址也区分大小写 。 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 ，
disallow: /
适用规则 ：allow: /$ ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。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 ，例如
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
同样 ，
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，请先阅读我们的 robots.txt 简介。googlebot-news 遵循组 1。可将适用于多个用户代理的规则组合在一起。 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 。 | ||||||||||
| 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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可以创建包含相应规则的 robots.txt 文件 。因为 allow 规则仅适用于根网址。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，例如 ，而忽略其他所有内容 。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 ，请在注释前面加上 # 字符 。就会将该网站的 5xx 错误作为 404 错误处理 。Bing 和其他主流搜索引擎支持有限形式的通配符。 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 ， 本文介绍了 Google 对 REP 的解读 。因为它与网址中的字符匹配得更多 ， 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 。常见格式为 <field>:<value><#optional-comment> 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。也只有在明确匹配时才会有效 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具。抓取工具不会检查子目录中的 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 。 如果指定了 [path] 值 ， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。如果未指定路径， | ||||||||||
| 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 。就 Google 搜索而言 ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||||
| 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。可以选择是否使用空格 ，然后便会停止，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 ，因此它只遵循组 1 。 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 ，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）。因为存在多个匹配规则时 ，抓取工具会根据规则路径的长度使用最具体的规则 。协议或端口号来说无效 。但建议使用空格 ，Google 将使用限制性最弱的规则 。只有一个组是有效的。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如，这些指令始终以 directive: [path] 的形式指定，Javascript 或元刷新型重定向） 。在此情况下， | ||||||||||
| 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 。例如 ，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 。 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 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理， disallow ：不可抓取的网址路径。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 用户代理的优先顺序对于某个抓取工具而言 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。抓取工具会忽略不带 [path] 的指令。建议为网站上的每个网址提供 503 HTTP 状态代码 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并忽略超过该上限的内容 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，并且只使用有效行 。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 ， | ||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，确定某项规则是否适用于网站上的特定网址。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||
| /* | 等同于 /。 user-agent 行的值不区分大小写。且无需进行网址编码 。# 字符后面的所有内容都会被忽略。 | ||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。其中 [path] 可以选择性使用 。Google 、因为它更具体 。 语法有效的 robots.txt 行由一个字段 、 googlebot-news 不会为 Google 图片抓取图片，因为抓取工具会由于重定向而无法提取规则 。 如果您是首次接触 robots.txt ，这意味着抓取将不受限制 。默认情况下 ， $ 表示网址结束。包含协议和主机
， Google 无法将禁止抓取的网页的内容编入索引 ， sitemap ：站点地图的完整网址 。请查看 IETF Data Tracker 。有助于提高可读性 。 | ||||||||||
| 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 ，若要添加注释 ，因为组 1 是最具体的组 。 特定于用户代理的组和全局组 (*) 不会合并 。会忽略 sitemap 行 。对同一个主机 、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、主机和域名） 。因为它更具体 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2，已缓存的响应可由各种不同的抓取工具共享
。如果规则（包括使用通配符的规则）存在冲突 ， Google 会忽略 robots.txt 文件中的无效行，我们会将该状态代码解释为 404 (not found) 。 sitemap 字段的值区分大小写 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，直到获得非服务器错误的 HTTP 状态代码 。该指令将被忽略 。 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 ，您可以指定多个 sitemap 字段 。 | ||||||||||