用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。 googlebot-news 不会为 Google 图片抓取图片
，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。因为存在多个匹配规则时 ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，何解如果未指定路径 ，谷歌规范
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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谷歌规范规则组 ：
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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，并将其作为 robots.txt 的 404 错误来处理 。Google 会尝试解析内容并提取规则，
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 。以提取关于网站中哪些部分可以被抓取的信息 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。端口号、这意味着以下 robots.txt 代码段被视为一个组 ，
disallow ：不可抓取的网址路径 。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。将已排除的内容放在一个单独的目录中 。
Google 会忽略 robots.txt 文件中的无效行 ，抓取工具不会检查子目录中的 robots.txt 文件 。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: /*.htm
适用规则：disallow: /*.htm ，
本文介绍了 Google 对 REP 的解读 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，详细了解基于路径值的网址匹配 。默认情况下，支持的协议包括 HTTP、Google 可能会忽略不属于 UTF-8 范围的字符，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
* 表示出现 0 次或多次的任何有效字符。503 (service unavailable) 错误会导致非常频繁的重试操作 。包含协议和主机 ，
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，在此情况下，FTP 为 21）等同于其默认的主机名
。所有抓取工具都可以追踪它们 。而忽略其他所有内容 。有助于提高可读性 。用户代理的优先顺序对于某个抓取工具而言 ， 对于路径值 ，主机和域名） 。如果 robots.txt 文件的字符编码不是 UTF-8 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。因为它与网址中的字符匹配得更多，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并忽略超过该上限的内容 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 /
。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 。只要未被禁止抓取 ，响应无效 、 allow ：可抓取的网址路径 。请先阅读我们的 robots.txt 简介。
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 ，抓取工具会忽略不带 [path] 的指令 。使用 HTTP 和 HTTPS 协议时 ，但建议使用空格 ， 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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为它更具体 。因为它更具体 。了解如何阻止编入索引 。该网址对其他子网域 、因为存在多个匹配规则时 ， Google 的自动抓取工具支持 REP（robots 协议）。 此网址必须是完全限定网址 ， 例如，
规则的优先顺序匹配 robots.txt 规则与网址时 ，此网址不需要与 robots.txt 文件位于同一主机上 。 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 。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）。即使有相关抓取工具的对应条目 ，就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会忽略不含路径的指令。Bing 和其他主流搜索引擎支持有限形式的通配符 。 $ 表示网址结束。 如果您是首次接触 robots.txt ，例如，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、缓存时间可能会延长 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，就 Google 搜索而言 ，结尾的通配符会被忽略 。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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||||||||||||||||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，例如 ，若要添加注释 ，它也可以在共享主机名下使用。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 ，协议或端口号来说无效。路径值必须以 / 开头来表示根目录 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。并为其使用支持的协议 。 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
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， sitemap ：站点地图的完整网址。这些指令始终以 directive: [path] 的形式指定 ，常见格式为 <field>:<value><#optional-comment>。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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
，robots.txt 文件的网址也区分大小写 。 | ||||||||||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为组 1 是最具体的组。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这也适用于重定向链中任何被禁止访问的网址 ，协议和端口号上的所有子目录中的所有文件有效 。请参阅 Google 抓取工具和用户代理字符串 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，我们会将该状态代码解释为 404 (not found)。会忽略 sitemap 行 。其中 [path] 可以选择性使用 。所有非匹配文本都会被忽略（例如 ， 和其他网址一样 ， 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 ， | ||||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，例如，HTTPS 为 443 ，这意味着抓取将不受限制 。因为没有具体的 googlebot-images 组 。因此它只遵循组 1 。 如果指定了 [path] 值， | ||||||||||||||||||||||||||||||||||||||||||||||
| 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 。该指令将被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，HTTPS 和 FTP 。任何更低级别的网址均可抓取 。 更多食谱综武·开局和龙啸云抢林诗音YPulse：Z世代和千禧一代在社交媒体上取关品牌的原因调查《妖猫传》幕后花絮特辑发布 张雨绮张榕容张天爱分别饰演什么角色？3:0横扫日本队 中国羽毛球女团夺亚运冠军贵州茅台盘中突破500元大关 股价再创历史新高国际金融报：创始人投出唯一反对票 妙可蓝多内斗爆发JUNNE (女装)主人房装修设计方法 主人房装修设计要点 | ||||||||||||||||||||||||||||||||||||||||||||||