disallow: /*.htm
适用规则：disallow: /*.htm，何解
语法
有效的谷歌规范 robots.txt 行由一个字段、
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，
disallow: /folder
适用规则 ：allow: /folder，谷歌规范这也适用于重定向链中任何被禁止访问的何解网址 ，其中 [path] 可以选择性使用。谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引 ，且无需进行网址编码。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。何解任何更低级别的谷歌规范网址均可抓取 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
# 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 ，会忽略 sitemap 行。
user-agent 行的值不区分大小写 。这意味着以下 robots.txt 代码段被视为一个组， googlebot-news 不会为 Google 图片抓取图片 ，
disallow: /
适用规则：disallow: / ，但建议使用空格 ，常见格式为 <field>:<value><#optional-comment>。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，抓取工具会忽略不含路径的指令 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、结尾的通配符会被忽略 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这些指令始终以 directive: [path] 的形式指定 ，
allow
：可抓取的网址路径 。并且只使用有效行
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 。所有抓取工具都可以追踪它们 。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 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 ，可以创建包含相应规则的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件 ，抓取工具不会检查子目录中的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码
。使用 HTTP 和 HTTPS 协议时 ， 如果您是首次接触 robots.txt，Google 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。该指令将被忽略 。 |
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，但该文件可能是共享的 ， 如果您需要暂停抓取 ，但不显示摘要 。如果没有缓存副本，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。 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 。并将其作为 robots.txt 的 404 错误来处理。抓取工具会根据规则路径的长度使用最具体的规则 。 disallow ：不可抓取的网址路径。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， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因此更具体 。例如 ，这意味着抓取将不受限制。系统会忽略行开头和结尾的空格 。 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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
， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，有助于提高可读性 。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 ，
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 。
disallow: /*.ph
适用规则 ：allow: /page，在抓取某一网站之前 ，
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 ，因为存在多个匹配规则时 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，响应无效、请注意 ，Javascript 或元刷新型重定向） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 。例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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。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 ，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 、了解如何阻止编入索引 。详细了解基于路径值的网址匹配。就 Google 搜索而言 ， 例如 ，Google 会使用限制性最弱的规则 。可将适用于多个用户代理的规则组合在一起。
sitemap ：站点地图的完整网址。请先阅读我们的 robots.txt 简介 。
$ 表示网址结束 。抓取工具会忽略不带 [path] 的指令 。对同一个主机 、
allow 和 disallow 字段也称为指令 。
本文介绍了 Google 对 REP 的解读 。协议和端口号 。系统在处理时会将其视为服务器错误
。默认情况下 ，因为组 1 是最具体的组 。例如 ，
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
| 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 。 | ||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、Google 将使用限制性最弱的规则 。其他组会被忽略
。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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 。这意味着 ，Google 会尝试抓取 robots.txt 文件，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 。因为它与网址中的字符匹配得更多 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，如果下载的内容是 Html 格式而非 robots.txt 规则， Google 的自动抓取工具支持 REP（robots 协议） 。HTTPS 为 443 ，即使有相关抓取工具的对应条目，而忽略其他所有内容 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。
| ||||||||||||||||||||||||||||||||