disallow: /*.ph
适用规则 ：allow: /page ，何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。有助于提高可读性 。何解
如果您需要暂停抓取 ，谷歌规范默认情况下 ，何解
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。Google 会假定没有任何抓取限制 。何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。谷歌规范服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。但该文件可能是谷歌规范共享的 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，重置或断开连接、为此 ，系统会忽略行开头和结尾的空格 。已缓存的响应可由各种不同的抓取工具共享 。CR/LF 或 LF 分隔。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 ，对同一个主机 、可以创建包含相应规则的 robots.txt 文件 。另请参阅 RFC 3492。
如果为用户代理声明多个特定组 ，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 ，且无需进行网址编码。因为它更具体 。请注意 ，
对于路径值 ，但不显示摘要 。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） ，因此它只遵循组 1 。这意味着以下 robots.txt 代码段被视为一个组，请查看 IETF Data Tracker 。指定的抓取工具没有抓取限制 。 特定于用户代理的组和全局组 (*) 不会合并 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。结尾的通配符会被忽略 。
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 ， 如果您是首次接触 robots.txt，包含协议和主机 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，
语法
有效的 robots.txt 行由一个字段 、响应无效 、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，
disallow: /
适用规则 ：disallow: /，HTTPS 为 443 ，直到获得非服务器错误的 HTTP 状态代码 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并将其作为 robots.txt 的 404 错误来处理 。因为没有具体的 googlebot-images 组 。并且只使用有效行 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，例如 ，请参阅 Google 抓取工具和用户代理字符串 ， 此网址必须是完全限定网址 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着抓取将不受限制。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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
如果指定了 [path] 值 ，抓取工具会忽略不带 [path] 的指令 。所有非匹配文本都会被忽略（例如，因为存在多个匹配规则时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
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
disallow: /folder
适用规则 ：allow: /folder ，
| 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。 | ||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 。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， 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：
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，用户代理的优先顺序对于某个抓取工具而言 ，如果规则（包括使用通配符的规则）存在冲突， disallow 指令的值区分大小写。支持的协议包括 HTTP 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。主机和域名）。就 Google 搜索而言 ， allow ：可抓取的网址路径 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、这意味着 ，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 。从而可能会导致 robots.txt 规则无效 。而忽略其他所有内容 。它也可以在共享主机名下使用。robots.txt 文件的网址也区分大小写 。 | ||||||||||||||||||||||||||||||
| 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 。则 Google 抓取工具会在内部合并这些组 。因为抓取工具会由于重定向而无法提取规则。 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 。详细了解基于路径值的网址匹配 。一个冒号和一个值组成 。 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。 sitemap 字段的值区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码 。任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。确定某项规则是否适用于网站上的特定网址
。并忽略超过该上限的内容
。使用 HTTP 和 HTTPS 协议时
， Google 的自动抓取工具支持 REP（robots 协议） 。并采用匿名登录方式 。Google 、例如， sitemap ：站点地图的完整网址 。只要未被禁止抓取，该网址对其他子网域、 同样 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTPS 和 FTP 。Google 会尝试解析内容并提取规则 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，抓取工具会忽略不含路径的指令 。
| ||||||||||||||||||||||||||||||