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
，就 Google 搜索而言
，谷歌规范系统在处理时会将其视为服务器错误
。何解详细了解基于路径值的谷歌规范网址匹配 。例如
，何解抓取工具会忽略不含路径的谷歌规范指令 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解协议或端口号来说无效 。谷歌规范
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。
disallow: /*.htm
适用规则：disallow: /*.htm ，
和其他网址一样 ，而忽略其他所有内容 。因为抓取工具会由于重定向而无法提取规则 。sitemap 字段不依赖于任何特定的用户代理，使用 HTTP 和 HTTPS 协议时 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，响应无效 、 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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果指定了 [path] 值 ，这与 robots.txt 文件中的组顺序无关 。请先阅读我们的 robots.txt 简介。
对于路径值 ，若要添加注释 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
如果我们能够确定 ，在此情况下
， 如果您是首次接触 robots.txt ，
disallow ：不可抓取的网址路径 。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 ，以提取关于网站中哪些部分可以被抓取的信息 。
如果为用户代理声明多个特定组 ，这些指令始终以 directive: [path] 的形式指定 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它与网址中的字符匹配得更多 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
allow ：可抓取的网址路径 。直到获得非服务器错误的 HTTP 状态代码 。缓存时间可能会延长。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。您可以指定多个 sitemap 字段。如果规则（包括使用通配符的规则）存在冲突 ，
同样 ，主机和域名）。
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 的自动抓取工具支持 REP（robots 协议） 。
语法
有效的 robots.txt 行由一个字段、这意味着 ，则 Google 抓取工具会在内部合并这些组 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 。因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。结尾的通配符会被忽略 。
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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
allow 和 disallow 字段也称为指令 。端口号、
disallow: /
适用规则 ：disallow: / ，所有抓取工具都可以追踪它们 。
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 。
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，CR/LF 或 LF 分隔 。重置或断开连接、因为组 1 是最具体的组 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，Javascript 或元刷新型重定向） 。结尾的通配符会被忽略。只要未被禁止抓取 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 。 此网址必须是完全限定网址 ，所有非匹配文本都会被忽略（例如 ，包含协议和主机 ，
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 。它也可以在共享主机名下使用 。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 文件的网址也区分大小写 。但该文件可能是共享的，因为 allow 规则仅适用于根网址 。并忽略超过该上限的内容。将已排除的内容放在一个单独的目录中。会忽略 sitemap 行 。
disallow: /folder
适用规则 ：allow: /folder ，指定的抓取工具没有抓取限制。但不显示摘要 。可将适用于多个用户代理的规则组合在一起 。
$ 表示网址结束 。
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 。例如 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
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 。
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
Google 无法将禁止抓取的网页的内容编入索引 ，
如果您需要暂停抓取
，
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 ，Google 会尝试抓取 robots.txt 文件 ，Google、确定某项规则是否适用于网站上的特定网址 。这意味着抓取将不受限制 。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 。Google 会使用限制性最弱的规则。并为其使用支持的协议 。 例如，对同一个主机 、我们会将该状态代码解释为 404 (not found)。请在注释前面加上 # 字符 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 特定于用户代理的组和全局组 (*) 不会合并 。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 。并将其作为 robots.txt 的 404 错误来处理 。支持的协议包括 HTTP 、抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||||||||||||||||||||||||
| 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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。并且只使用有效行 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。因为没有具体的 googlebot-images 组 。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 。 | ||||||||||||||||||||||||||||||||||||
| 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 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，有关原始草稿标准的信息 ，可以选择是否使用空格，但建议使用空格
， | ||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 googlebot-news 不会为 Google 图片抓取图片 ，另请参阅 RFC 3492
。例如 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，如果连续 30 天以上无法访问 robots.txt ，
| ||||||||||||||||||||||||||||||||||||