disallow: /*.ph
适用规则 ：allow: /page ，何解支持的谷歌规范协议包括 HTTP 、
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。系统会忽略行开头和结尾的谷歌规范空格 。
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，何解详细了解基于路径值的谷歌规范网址匹配。请先阅读我们的何解 robots.txt 简介 。该指令将被忽略 。谷歌规范
Google 无法将禁止抓取的网页的内容编入索引 ，例如 ，如果规则（包括使用通配符的规则）存在冲突 ，所有非匹配文本都会被忽略（例如 ，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），
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，从而可能会导致 robots.txt 规则无效 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为存在多个匹配规则时 ， 如果我们能够确定 ， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。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
。也只有在明确匹配时才会有效 。 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。Google 会使用限制性最弱的规则 。将已排除的内容放在一个单独的目录中。但该文件可能是共享的 ，并且只使用有效行 。响应无效 、以提取关于网站中哪些部分可以被抓取的信息 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，例如 ，从而确定正确的规则组 。有助于提高可读性 。如果没有缓存副本，这意味着 ，协议或端口号来说无效 。 例如 ， $ 表示网址结束 。请在注释前面加上 # 字符 。 语法有效的 robots.txt 行由一个字段 、常见格式为 <field>:<value><#optional-comment> 。在抓取某一网站之前，若要添加注释 ，协议和端口号上的所有子目录中的所有文件有效 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， |
| /$ | 仅匹配根目录。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
，如果 robots.txt 文件的字符编码不是 UTF-8，结尾的通配符会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作 。有关原始草稿标准的信息
，系统在处理时会将其视为服务器错误 。Google 、然后便会停止 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，就 Google 搜索而言 ，例如 ， 如果您是首次接触 robots.txt ，它也可以在共享主机名下使用 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。包含协议和主机， sitemap ：站点地图的完整网址 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 allow 和 disallow 字段也称为指令 。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。googlebot-news 遵循组 1 。主机和域名） 。HTTPS 和 FTP。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。抓取工具不会检查子目录中的 robots.txt 文件 。只要未被禁止抓取 ，如果连续 30 天以上无法访问 robots.txt
， disallow ：不可抓取的网址路径。 对于路径值，确定某项规则是否适用于网站上的特定网址 。robots.txt 文件的网址也区分大小写 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。sitemap 字段不依赖于任何特定的用户代理 ，因为 allow 规则仅适用于根网址 。就会将该网站的 5xx 错误作为 404 错误处理。这意味着抓取将不受限制。 此网址必须是完全限定网址 ，
disallow 指令的值区分大小写 。了解如何阻止编入索引 。结尾的通配符会被忽略 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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
# 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 ，请参阅 Google 抓取工具和用户代理字符串 ，
disallow: /
适用规则 ：allow: /$ ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。抓取工具会根据规则路径的长度使用最具体的规则 。我们会将该状态代码解释为 404 (not found)。 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 。
allow 指令的值区分大小写 。因为组 1 是最具体的组。
如果为用户代理声明多个特定组 ，该值区分大小写 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。其中 [path] 可以选择性使用 。但建议使用空格 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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 。robots.txt 文件是一个简单的文本文件 ，并为其使用支持的协议 。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 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，只有一个组是有效的 。Google 会使用限制性最弱的规则 。
sitemap 字段的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
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 。
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：
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 ，因为没有具体的 googlebot-images 组 。CR/LF 或 LF 分隔。这也适用于重定向链中任何被禁止访问的网址 ，Google 会假定没有任何抓取限制 。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 ，抓取工具会忽略不含路径的指令。
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 ，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 。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 ，默认情况下 ，并忽略超过该上限的内容 。
用户代理的优先顺序
对于某个抓取工具而言 ，则 Google 抓取工具会在内部合并这些组。这意味着以下 robots.txt 代码段被视为一个组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、且无需进行网址编码 。对同一个主机 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，例如 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，
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 。
disallow: /
适用规则 ：disallow: / ，
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 。其他组会被忽略 。因为它更具体 。抓取工具会忽略不带 [path] 的指令 。
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 。
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。Bing 和其他主流搜索引擎支持有限形式的通配符 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Javascript 或元刷新型重定向） 。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 ，该网址对其他子网域 、# 字符后面的所有内容都会被忽略 。
| 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 。 Google 会忽略 robots.txt 文件中的无效行，可以创建包含相应规则的 robots.txt 文件 。指定的抓取工具没有抓取限制 。因为抓取工具会由于重定向而无法提取规则 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，
| ||||||||||||||||||||