disallow: /*.htm
适用规则：disallow: /*.htm ，谷歌规范HTTPS 为 443 ，何解
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、所有抓取工具都可以追踪它们 。何解
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、下面说明了抓取工具如何理解之前的何解 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 ，Google 将使用限制性最弱的谷歌规范规则 。并为其使用支持的何解协议 。且各行代码必须以 CR 、谷歌规范如果规则（包括使用通配符的何解规则）存在冲突 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。谷歌规范协议和端口号上的所有子目录中的所有文件有效 。
user-agent 行的值不区分大小写 。Google、直到获得非服务器错误的 HTTP 状态代码 。因为没有具体的 googlebot-images 组 。请参阅 REP 的第 2.1 节。
* 表示出现 0 次或多次的任何有效字符 。
如果您需要暂停抓取，可将适用于多个用户代理的规则组合在一起。
allow 指令的值区分大小写 。其他组会被忽略 。
disallow ：不可抓取的网址路径 。例如 ，就 Google 搜索而言 ，抓取工具会忽略不含路径的指令。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 ，
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
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
，可以创建包含相应规则的 robots.txt 文件 。但不显示摘要 。该值区分大小写 。也只有在明确匹配时才会有效
。例如，Google 会尝试抓取 robots.txt 文件，协议或端口号来说无效 。
如果我们能够确定，支持的协议包括 HTTP、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为组 1 是最具体的组 。例如 ，使用 HTTP 和 HTTPS 协议时 ，Google 会尝试解析内容并提取规则 ，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 。如果连续 30 天以上无法访问 robots.txt，在抓取某一网站之前 ，
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 。
sitemap 字段的值区分大小写 。这些指令始终以 directive: [path] 的形式指定 ，已缓存的响应可由各种不同的抓取工具共享 。但建议使用空格 ，
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 ，robots.txt 文件的网址也区分大小写 。路径值必须以 / 开头来表示根目录 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。缓存时间可能会延长 。确定某项规则是否适用于网站上的特定网址 。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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。FTP 为 21）等同于其默认的主机名
。包含协议和主机
， 同样 ， allow ：可抓取的网址路径 。且无需进行网址编码 。因此更具体 。 Google 的自动抓取工具支持 REP（robots 协议） 。因为抓取工具会由于重定向而无法提取规则 。Google 、您还可以找到关于创建 robots.txt 文件的提示 ，并采用匿名登录方式 。 |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，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，Google 会使用该 robots.txt 的最后一个缓存副本。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，该网址对其他子网域 、 和其他网址一样
，抓取工具会根据规则路径的长度使用最具体的规则。因为它更具体 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，robots.txt 文件是一个简单的文本文件 ，
| 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果没有缓存副本 ，我们会将该状态代码解释为 404 (not found)。另请参阅 RFC 3492。Google 可能会忽略不属于 UTF-8 范围的字符 ，该指令将被忽略 。请注意，# 字符后面的所有内容都会被忽略 。了解如何阻止编入索引 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 用户代理的优先顺序对于某个抓取工具而言 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，响应无效 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会假定没有任何抓取限制。这意味着以下 robots.txt 代码段被视为一个组 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，以提取关于网站中哪些部分可以被抓取的信息 。其中 [path] 可以选择性使用 。Google 会使用限制性最弱的规则 。 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 会忽略 robots.txt 文件中的无效行 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 ，如果未指定路径 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、就会将该网站的 5xx 错误作为 404 错误处理。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。这与 robots.txt 文件中的组顺序无关 。 对于路径值 ， |
sitemap ：站点地图的完整网址。此网址不需要与 robots.txt 文件位于同一主机上 。因为它与网址中的字符匹配得更多，将已排除的内容放在一个单独的目录中 。会忽略 sitemap 行。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 ， 例如，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。但该文件可能是共享的，
| 示例情况 | |||||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，则 Google 抓取工具会在内部合并这些组 。 googlebot-news 不会为 Google 图片抓取图片，
| ||||||||||||||||||||||||||||||||||||||||