同样 ，何解
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
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
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范
规则的优先顺序匹配 robots.txt 规则与网址时 ， 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。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 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 。将已排除的内容放在一个单独的目录中。 特定于用户代理的组和全局组 (*) 不会合并。其他组会被忽略 。这也适用于重定向链中任何被禁止访问的网址 ，Google 会使用限制性最弱的规则。支持的协议包括 HTTP 、以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 allow ：可抓取的网址路径 。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 。另请参阅 RFC 3492 。 本文介绍了 Google 对 REP 的解读 。FTP 为 21）等同于其默认的主机名 。该网址对其他子网域 、 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，但该文件可能是共享的，它也可以在共享主机名下使用 。因为存在多个匹配规则时，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，该值区分大小写。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。然后便会停止，Bing 和其他主流搜索引擎支持有限形式的通配符。一个冒号和一个值组成。只有一个组是有效的 。指定的抓取工具没有抓取限制 。 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 。 sitemap ：站点地图的完整网址。并且只使用有效行 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。使用 HTTP 和 HTTPS 协议时， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、请参阅 Google 抓取工具和用户代理字符串 ， 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 ，协议和端口号 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 和其他网址一样 ，并忽略超过该上限的内容 。 | ||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果我们能够确定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。即使有相关抓取工具的对应条目 ，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。详细了解基于路径值的网址匹配 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
disallow ：不可抓取的网址路径 。例如 ，
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 。因此更具体 。googlebot-news 遵循组 1 。Google 会使用该 robots.txt 的最后一个缓存副本。例如 ，如果未指定路径，会忽略 sitemap 行 。例如 ，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。这意味着，可以选择是否使用空格 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
user-agent 行的值不区分大小写 。系统在处理时会将其视为服务器错误 。Google 、
disallow: /folder
适用规则 ：allow: /folder ，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 ，抓取工具会根据规则路径的长度使用最具体的规则。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。
Google 会忽略 robots.txt 文件中的无效行 ，因此它只遵循组 1 。
如果为用户代理声明多个特定组 ，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 ，
disallow: /
适用规则 ：allow: /$，
Google 无法将禁止抓取的网页的内容编入索引 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。就会将该网站的 5xx 错误作为 404 错误处理 。所有非匹配文本都会被忽略（例如 ，
allow 和 disallow 字段也称为指令。请注意 ，
语法
有效的 robots.txt 行由一个字段 、并将其作为 robots.txt 的 404 错误来处理 。包含协议和主机 ，因为 allow 规则仅适用于根网址 。请在注释前面加上 # 字符 。因为它更具体 。
disallow: /
适用规则 ：disallow: / ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。且各行代码必须以 CR 、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 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，在抓取某一网站之前，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， googlebot-news 不会为 Google 图片抓取图片 ，为此 ，
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 ， allow 指令的值区分大小写 。Google 、只要未被禁止抓取 ， 例如 ，因为存在多个匹配规则时 ， 此网址必须是完全限定网址 ，但不显示摘要。在此情况下 ， | ||||||
| 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 。并为其使用支持的协议。因为它与网址中的字符匹配得更多 ，直到获得非服务器错误的 HTTP 状态代码 。 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 。 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 ，并采用匿名登录方式 。因为组 1 是最具体的组 。响应无效 、系统会忽略行开头和结尾的空格 。可将适用于多个用户代理的规则组合在一起。 sitemap 字段的值区分大小写 。已缓存的响应可由各种不同的抓取工具共享 。 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。结尾的通配符会被忽略 。 | ||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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 。
| ||||||