disallow: /*.ph
适用规则 ：allow: /page，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
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时，这意味着抓取将不受限制 。何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范常见格式为 <field>:<value><#optional-comment> 。何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。就 Google 搜索而言 ，何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、也只有在明确匹配时才会有效。FTP 为 21）等同于其默认的主机名 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
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 ，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、
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 ，以及一个详尽的常见问题解答列表 。并且只使用有效行 。如果没有缓存副本 ，且各行代码必须以 CR、以提取关于网站中哪些部分可以被抓取的信息 。例如 ，Google 、googlebot-news 遵循组 1 。CR/LF 或 LF 分隔。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 。
disallow: /
适用规则 ：disallow: / ，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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为组 1 是最具体的组 。这也适用于重定向链中任何被禁止访问的网址 ，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 ，
如果指定了 [path] 值，抓取工具会忽略不带 [path] 的指令 。从而确定正确的规则组。例如 ，
| 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 。如果规则（包括使用通配符的规则）存在冲突，结尾的通配符会被忽略 。并为其使用支持的协议 。 如果您需要暂停抓取， | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，请在注释前面加上 # 字符 。 googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会忽略不含路径的指令。使用 HTTP 和 HTTPS 协议时 ，它也可以在共享主机名下使用 。该网址对其他子网域 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此更具体。只要未被禁止抓取 ， 同样 ， $ 表示网址结束 。 语法有效的 robots.txt 行由一个字段 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。协议或端口号来说无效 。Google 会假定没有任何抓取限制 。在抓取某一网站之前 ， 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 。并采用匿名登录方式 。因为存在多个匹配规则时，
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 会忽略 robots.txt 文件中的无效行 ，您可以指定多个 sitemap 字段 。系统在处理时会将其视为服务器错误。如果下载的内容是 Html 格式而非 robots.txt 规则 ，robots.txt 文件是一个简单的文本文件 ，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，HTTPS 和 FTP 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 | ||||
| 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，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，对同一个主机 、Google 会使用限制性最弱的规则。协议和端口号上的所有子目录中的所有文件有效
。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果未指定路径 ，将已排除的内容放在一个单独的目录中 。因为存在多个匹配规则时，已缓存的响应可由各种不同的抓取工具共享 。例如 ， | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，该值区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 会尝试解析内容并提取规则，Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会使用限制性最弱的规则 。# 字符后面的所有内容都会被忽略 。该指令将被忽略 。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 ， allow：可抓取的网址路径 。Google 会尝试抓取 robots.txt 文件 ，所有抓取工具都可以追踪它们。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Javascript 或元刷新型重定向） 。 | ||||
| 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 ， | ||||
| /* | 等同于 / 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，但该文件可能是共享的，因为它更具体 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3
。端口号
、就会将该网站的 5xx 错误作为 404 错误处理 。 Google 无法将禁止抓取的网页的内容编入索引 ，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 。会忽略 sitemap 行 。支持的协议包括 HTTP 、响应无效、Google、 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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，其他组会被忽略 。 对于路径值
，Google 将使用限制性最弱的规则
。因为没有具体的 googlebot-images 组
。 | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
如果我们能够确定 ，则 Google 抓取工具会在内部合并这些组 。
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 ，这意味着 ，任何更低级别的网址均可抓取 。从而可能会导致 robots.txt 规则无效 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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。
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 。可将适用于多个用户代理的规则组合在一起 。
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因为抓取工具会由于重定向而无法提取规则 。
| ||||||||||||||||||||||||