disallow: /*.htm
适用规则 ：disallow: /*.htm，谷歌规范结尾的何解通配符会被忽略 。系统会忽略行开头和结尾的谷歌规范空格 。所有非匹配文本都会被忽略（例如 ，何解任何更低级别的谷歌规范网址均可抓取 。请注意 ，何解Google 将使用限制性最弱的谷歌规范规则 。常见格式为 <field>:<value><#optional-comment> 。何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，缓存时间可能会延长 。
allow 和 disallow 字段也称为指令。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。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 ，Google 会使用限制性最弱的规则 。
disallow: /folder
适用规则 ：allow: /folder ，googlebot-news 遵循组 1 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请参阅 Google 抓取工具和用户代理字符串 ，因为 allow 规则仅适用于根网址。
sitemap ：站点地图的完整网址。您可以指定多个 sitemap 字段 。
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
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请在注释前面加上 # 字符。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这些指令始终以 directive: [path] 的形式指定 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
本文介绍了 Google 对 REP 的解读。
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，且各行代码必须以 CR 、
$ 表示网址结束 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，路径值必须以 / 开头来表示根目录 ，这意味着抓取将不受限制。在此情况下，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为抓取工具会由于重定向而无法提取规则 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，且无需进行网址编码 。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 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
Google 会忽略 robots.txt 文件中的无效行， googlebot-news 不会为 Google 图片抓取图片 ，
allow ：可抓取的网址路径。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 ，这与 robots.txt 文件中的组顺序无关。FTP 为 21）等同于其默认的主机名 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。另请参阅 RFC 3492 。默认情况下 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。即使有相关抓取工具的对应条目 ，这也适用于重定向链中任何被禁止访问的网址 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。以提取关于网站中哪些部分可以被抓取的信息 。
disallow: /
适用规则：allow: /$ ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，对同一个主机 、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 ， 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，主机和域名）。CR/LF 或 LF 分隔。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并忽略超过该上限的内容 。robots.txt 文件是一个简单的文本文件，
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 。它也可以在共享主机名下使用 。协议和端口号。
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 。端口号 、
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 ，此网址不需要与 robots.txt 文件位于同一主机上。
disallow: /*.ph
适用规则 ：allow: /page，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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| 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 。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）。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，响应无效、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、将已排除的内容放在一个单独的目录中。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，已缓存的响应可由各种不同的抓取工具共享 。
disallow 指令的值区分大小写
。 特定于用户代理的组和全局组 (*) 不会合并。Google 会使用该 robots.txt 的最后一个缓存副本 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。
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 ，若要添加注释 ，例如 ，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 ，就会将该网站的 5xx 错误作为 404 错误处理 。
sitemap 字段的值区分大小写 。
disallow ：不可抓取的网址路径 。并且只使用有效行。
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 。
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 。robots.txt 文件的网址也区分大小写 。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 、HTTPS 为 443 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。只有一个组是有效的 。您还可以找到关于创建 robots.txt 文件的提示，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
allow 指令的值区分大小写 。
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 ，了解如何阻止编入索引。而忽略其他所有内容
。如果连续 30 天以上无法访问 robots.txt ，详细了解基于路径值的网址匹配
。请先阅读我们的 robots.txt 简介 。 如果我们能够确定 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。抓取工具会忽略不带 [path] 的指令 。我们会将该状态代码解释为 404 (not found) 。 此网址必须是完全限定网址 ，但建议使用空格， 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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。但该文件可能是共享的 ，Google 会尝试解析内容并提取规则 ，该值区分大小写 。 |
| Googlebot（网络） | googlebot 遵循组 3 。 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 。指定的抓取工具没有抓取限制。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， |
| /$ | 仅匹配根目录 。 |
Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会忽略不含路径的指令 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果规则（包括使用通配符的规则）存在冲突 ，抓取工具不会检查子目录中的 robots.txt 文件 。
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。其他组会被忽略。如果 robots.txt 文件的字符编码不是 UTF-8，如果未指定路径 ，
| 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 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。从而确定正确的规则组 。 如果为用户代理声明多个特定组，并采用匿名登录方式。因为它与网址中的字符匹配得更多 ，
| ||||||||||