匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，
| 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 。谷歌规范 |
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 不适用于： http://example.com/ 非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效。robots.txt 文件是谷歌规范一个简单的文本文件， allow 指令的何解值区分大小写 。并且只使用有效行 。谷歌规范 |
| 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 ，何解HTTPS 和 FTP。谷歌规范例如 ，何解这与 robots.txt 文件中的谷歌规范组顺序无关 。如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，只要未被禁止抓取 ，谷歌规范这意味着抓取将不受限制 。何解 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，谷歌规范获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。请先阅读我们的 robots.txt 简介 。 用户代理的优先顺序对于某个抓取工具而言 ， 如果指定了 [path] 值 ，您可以指定多个 sitemap 字段 。了解如何阻止编入索引 。 |
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，因此更具体 。Google 会使用该 robots.txt 的最后一个缓存副本。详细了解基于路径值的网址匹配 。如果规则（包括使用通配符的规则）存在冲突 ，
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 ，Google 、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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，系统在处理时会将其视为服务器错误 。会忽略 sitemap 行。robots.txt 文件的网址也区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，Google 会使用限制性最弱的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，例如 ，另请参阅 RFC 3492 。即使有相关抓取工具的对应条目 ，使用 HTTP 和 HTTPS 协议时 ，因为没有具体的 googlebot-images 组 。直到获得非服务器错误的 HTTP 状态代码 。 此网址必须是完全限定网址 ， 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 。默认情况下，且各行代码必须以 CR、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， 特定于用户代理的组和全局组 (*) 不会合并。在此情况下，包含协议和主机 ， | ||||||||||||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。并将其作为 robots.txt 的 404 错误来处理 。其他组会被忽略 。Google 会尝试抓取 robots.txt 文件， 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
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。这些通配符包括
： * 表示出现 0 次或多次的任何有效字符。 | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 ，因为存在多个匹配规则时 ，可以选择是否使用空格 ， | ||||||||||||||||||||
| 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。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，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 ，请参阅 REP 的第 2.1 节 。例如 ，该网址对其他子网域、在抓取某一网站之前 ， 同样 ，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。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） ，我们会将该状态代码解释为 404 (not found) 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， disallow 指令的值区分大小写 。为此 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这也适用于重定向链中任何被禁止访问的网址， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，这意味着 ，请在注释前面加上 # 字符 。因为它更具体 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， | ||||||||||||||||||||
| 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 。例如 ， | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。然后便会停止 ， 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 。 | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 ，Google 会尝试解析内容并提取规则， | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，协议或端口号来说无效。对同一个主机 、路径值必须以 / 开头来表示根目录 ， 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP | ||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
对于路径值 ，
user-agent 行的值不区分大小写。一个冒号和一个值组成 。但不显示摘要。HTTPS 为 443 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、抓取工具不会检查子目录中的 robots.txt 文件 。因为 allow 规则仅适用于根网址
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 ，此网址不需要与 robots.txt 文件位于同一主机上 。并忽略超过该上限的内容。
Google 无法将禁止抓取的网页的内容编入索引，将已排除的内容放在一个单独的目录中 。但可能仍会将其网址编入索引并将其显示在搜索结果中，sitemap 字段不依赖于任何特定的用户代理
，已缓存的响应可由各种不同的抓取工具共享 。Google 将使用限制性最弱的规则 。重置或断开连接、任何更低级别的网址均可抓取 。Google 会假定没有任何抓取限制 。相似热点
敢当时评｜问界起火事故之争，是对新能源汽车品牌的信任之问央视财经论坛发布“2017CCTV中国十佳上市公司”双色球104期历史同期号码全汇总《卧龙吟》龙之为物，可比当世之豪杰武磊西班牙人有望重回首发 西班牙人大球员名单有他学校可以带走学生的民权吗？东方魔幻情怀不改！《屠龙战记》今日耀世首发《敦煌》双禀赋体系 多种搭配弄法万千