disallow: /*.htm
适用规则 ：disallow: /*.htm，谷歌规范可以创建包含相应规则的何解 robots.txt 文件。端口号 、谷歌规范
disallow 指令的何解值区分大小写 。系统会忽略行开头和结尾的谷歌规范空格。指定的何解抓取工具没有抓取限制 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范并为其使用支持的何解协议 。有助于提高可读性 。谷歌规范抓取工具会根据规则路径的长度使用最具体的规则 。然后便会停止 ，因为存在多个匹配规则时 ，因为存在多个匹配规则时，503 (service unavailable) 错误会导致非常频繁的重试操作 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，有关原始草稿标准的信息 ，HTTPS 为 443，
如果为用户代理声明多个特定组 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。
语法
有效的 robots.txt 行由一个字段 、将已排除的内容放在一个单独的目录中 。
user-agent 行的值不区分大小写 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
disallow: /folder
适用规则 ：allow: /folder ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件是一个简单的文本文件 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，已缓存的响应可由各种不同的抓取工具共享 。支持的协议包括 HTTP 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
和其他网址一样 ，从而确定正确的规则组 。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） ，Bing 和其他主流搜索引擎支持有限形式的通配符 。主机和域名） 。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 ，协议或端口号来说无效。# 字符后面的所有内容都会被忽略 。
同样 ，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） 。且各行代码必须以 CR 、googlebot-news 遵循组 1 。系统在处理时会将其视为服务器错误。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 。
| 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 。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| 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 。 Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会忽略不含路径的指令 。在此情况下 ，响应无效 、可将适用于多个用户代理的规则组合在一起 。 |
| 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。 对于路径值 ，协议和端口号 。缓存时间可能会延长 。Google 将使用限制性最弱的规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、如果下载的内容是 Html 格式而非 robots.txt 规则，因为组 1 是最具体的组 。 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。若要添加注释 ，这些指令始终以 directive: [path] 的形式指定 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，因为它更具体。 |
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。因为抓取工具会由于重定向而无法提取规则 。对同一个主机 、另请参阅 RFC 3492。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 、
用户代理的优先顺序
对于某个抓取工具而言 ，
allow 指令的值区分大小写。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。且无需进行网址编码 。
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。其他组会被忽略 。任何更低级别的网址均可抓取 。
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 。此网址不需要与 robots.txt 文件位于同一主机上 。 googlebot-news 不会为 Google 图片抓取图片 ，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。CR/LF 或 LF 分隔 。
disallow: /
适用规则 ：disallow: /，可以选择是否使用空格 ，请查看 IETF Data Tracker 。所有非匹配文本都会被忽略（例如， 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，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。
disallow ：不可抓取的网址路径。
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 ，因此它只遵循组 1 。但该文件可能是共享的 ，
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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。只要未被禁止抓取 ， |
| /* | 等同于 / 。请参阅 Google 抓取工具和用户代理字符串 ， 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、只有一个组是有效的 。一个冒号和一个值组成
。因此更具体 。以及一个详尽的常见问题解答列表
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时
，
如果您需要暂停抓取，请参阅 REP 的第 2.1 节
。
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 、就会将该网站的 5xx 错误作为 404 错误处理 。并将其作为 robots.txt 的 404 错误来处理 。请先阅读我们的 robots.txt 简介 。
如果指定了 [path] 值 ，协议和端口号上的所有子目录中的所有文件有效 。您可以指定多个 sitemap 字段 。robots.txt 文件的网址也区分大小写 。因为 allow 规则仅适用于根网址。例如 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，从而可能会导致 robots.txt 规则无效 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。
allow ：可抓取的网址路径 。
$ 表示网址结束 。
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 。所有抓取工具都可以追踪它们。
Google 的自动抓取工具支持 REP（robots 协议） 。
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。结尾的通配符会被忽略 。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
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，在抓取某一网站之前 ，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 ， allow 和 disallow 字段也称为指令 。 如果您是首次接触 robots.txt ， sitemap ：站点地图的完整网址 。了解如何阻止编入索引。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这也适用于重定向链中任何被禁止访问的网址 ， Google 会忽略 robots.txt 文件中的无效行 ，以提取关于网站中哪些部分可以被抓取的信息
。例如，Javascript 或元刷新型重定向） 。该值区分大小写。 | ||||||||||||||||||||||||||