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 。可以选择是谷歌规范否使用空格 ，响应无效 、何解其他组会被忽略 。谷歌规范因为它更具体 。何解
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
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解 |
| Googlebot Images | googlebot-images 遵循组 2 ，谷歌规范googlebot-news 遵循组 1
。何解您可以指定多个 sitemap 字段 。谷歌规范HTTPS 和 FTP 。何解 匹配项 ： /fish.php /fishheads/catfish.php?谷歌规范parameters 不匹配项： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。从而确定正确的谷歌规范规则组 。
disallow ：不可抓取的网址路径。
本文介绍了 Google 对 REP 的解读。# 字符后面的所有内容都会被忽略 。
allow ：可抓取的网址路径。
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 。系统在处理时会将其视为服务器错误。而忽略其他所有内容 。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） ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
语法
有效的 robots.txt 行由一个字段 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为它与网址中的字符匹配得更多，也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则 。这意味着以下 robots.txt 代码段被视为一个组 ，所有抓取工具都可以追踪它们 。默认情况下，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，系统会忽略行开头和结尾的空格。Google 会尝试解析内容并提取规则 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。但不显示摘要 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、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 、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 。
user-agent 行的值不区分大小写 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，支持的协议包括 HTTP、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这与 robots.txt 文件中的组顺序无关。一个冒号和一个值组成 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，确定某项规则是否适用于网站上的特定网址 。 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 。并将其作为 robots.txt 的 404 错误来处理 。这些指令始终以 directive: [path] 的形式指定 ，协议或端口号来说无效 。但该文件可能是共享的 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
allow 指令的值区分大小写。另请参阅 RFC 3492 。
对于路径值 ，任何更低级别的网址均可抓取 。Google 会尝试抓取 robots.txt 文件 ，则 Google 抓取工具会在内部合并这些组 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
disallow: /
适用规则 ：disallow: /，可将适用于多个用户代理的规则组合在一起 。 googlebot-news 不会为 Google 图片抓取图片 ，然后便会停止 ，该网址对其他子网域 、抓取工具会忽略不带 [path] 的指令 。请先阅读我们的 robots.txt 简介 。它也可以在共享主机名下使用 。
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。例如 ，抓取工具会忽略不含路径的指令。有助于提高可读性 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。就会将该网站的 5xx 错误作为 404 错误处理 。
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 。HTTPS 为 443，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 ， 此网址必须是完全限定网址 ，建议为网站上的每个网址提供 503 HTTP 状态代码。只有一个组是有效的 。
disallow: /
适用规则 ：allow: /$，因为没有具体的 googlebot-images 组 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，缓存时间可能会延长 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，
sitemap 字段的值区分大小写 。请在注释前面加上 # 字符
。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。并采用匿名登录方式 。如果规则（包括使用通配符的规则）存在冲突 ，并且只使用有效行 。
* 表示出现 0 次或多次的任何有效字符 。该值区分大小写 。
disallow 指令的值区分大小写 。重置或断开连接 、所有非匹配文本都会被忽略（例如 ，因此它只遵循组 1 。以提取关于网站中哪些部分可以被抓取的信息 。Google 会使用该 robots.txt 的最后一个缓存副本 。且各行代码必须以 CR 、结尾的通配符会被忽略 。
sitemap ：站点地图的完整网址 。robots.txt 文件是一个简单的文本文件 ，请参阅 Google 抓取工具和用户代理字符串 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。只要未被禁止抓取 ，
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
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 会忽略 robots.txt 文件中的无效行 ，
和其他网址一样 ，其中 [path] 可以选择性使用。 如果您是首次接触 robots.txt ，但建议使用空格 ，
| 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。 | ||||||||||
| /fish* | 等同于 /fish
。Google 会使用限制性最弱的规则
。可以创建包含相应规则的 robots.txt 文件 。Google 将使用限制性最弱的规则。会忽略 sitemap 行。将已排除的内容放在一个单独的目录中 。且无需进行网址编码 。Bing 和其他主流搜索引擎支持有限形式的通配符
。Javascript 或元刷新型重定向）。robots.txt 文件的网址也区分大小写
。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，了解如何阻止编入索引 。在此情况下 ，我们会将该状态代码解释为 404 (not found)。 | ||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。sitemap 字段不依赖于任何特定的用户代理
，就 Google 搜索而言
，协议和端口号上的所有子目录中的所有文件有效 。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 。并忽略超过该上限的内容。 allow 和 disallow 字段也称为指令 。主机和域名） 。即使有相关抓取工具的对应条目 ，Google 可能会忽略不属于 UTF-8 范围的字符， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。从而可能会导致 robots.txt 规则无效。 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 ，已缓存的响应可由各种不同的抓取工具共享。 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 。若要添加注释 ，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 ，如果连续 30 天以上无法访问 robots.txt， 如果为用户代理声明多个特定组，有关原始草稿标准的信息 ，并为其使用支持的协议 。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 ， 用户代理的优先顺序对于某个抓取工具而言 ，例如 ，此网址不需要与 robots.txt 文件位于同一主机上 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 、FTP 为 21）等同于其默认的主机名 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 。 | ||||||||||
| 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 。因为存在多个匹配规则时 ，例如 ，常见格式为 <field>:<value><#optional-comment> 。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||
| /* | 等同于 / 。为此
，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
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为组 1 是最具体的组 。
更多食谱MOODY (美瞳品牌)有玩，搜索赚+悬赏赚，零撸保底收益高Z11 (Zappy Eleven/女装)飞天茅台市场价1400元 春节前或继续下跌IMF报告：防范三大金融稳定风险中新网评：“不烧心”火了，别让“良心”凉了五分钟就能搞定的省时省力又省油的香煎银鱼混凝土冷缝产生原因与处理 | ||||||||||