disallow: /
适用规则 ：disallow: / ，何解然后便会停止 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片，何解
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，所有抓取工具都可以追踪它们。但该文件可能是共享的，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） 。系统在处理时会将其视为服务器错误
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 将使用限制性最弱的规则。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
如果为用户代理声明多个特定组，响应无效 、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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为抓取工具会由于重定向而无法提取规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，此网址不需要与 robots.txt 文件位于同一主机上。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。支持的协议包括 HTTP 、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，
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 文件是一个简单的文本文件 ，这些指令始终以 directive: [path] 的形式指定 ，503 (service unavailable) 错误会导致非常频繁的重试操作。请查看 IETF Data Tracker 。 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
。HTTPS 为 443 ，为此，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 ，包含协议和主机 ， Google 会忽略 robots.txt 文件中的无效行 ，因为没有具体的 googlebot-images 组 。可以选择是否使用空格 ，可将适用于多个用户代理的规则组合在一起。有助于提高可读性 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为 allow 规则仅适用于根网址。例如，确定某项规则是否适用于网站上的特定网址 。googlebot-news 遵循组 1 。并将其作为 robots.txt 的 404 错误来处理。建议为网站上的每个网址提供 503 HTTP 状态代码 。并忽略超过该上限的内容。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 。
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 。
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 ，我们会将该状态代码解释为 404 (not found) 。因为它更具体 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 。协议或端口号来说无效。
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 ，
同样，
如果指定了 [path] 值 ，
对于路径值 ，
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 ，将已排除的内容放在一个单独的目录中 。从而确定正确的规则组 。Google 会假定没有任何抓取限制 。从而可能会导致 robots.txt 规则无效 。
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 。
disallow: /*.htm
适用规则：disallow: /*.htm ，请参阅 Google 抓取工具和用户代理字符串 ，则 Google 抓取工具会在内部合并这些组 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 。抓取工具会根据规则路径的长度使用最具体的规则 。
disallow: /*.ph
适用规则 ：allow: /page ，
本文介绍了 Google 对 REP 的解读 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
如果您需要暂停抓取 ，
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 特定于用户代理的组和全局组 (*) 不会合并 。
$ 表示网址结束 。这也适用于重定向链中任何被禁止访问的网址 ，
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 。
| 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 。使用 HTTP 和 HTTPS 协议时 ，其中 [path] 可以选择性使用。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。但不显示摘要。robots.txt 文件的网址也区分大小写。系统会忽略行开头和结尾的空格 。您可以指定多个 sitemap 字段 。 | ||||||||||||||||||||
| 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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。因为组 1 是最具体的组 。 | ||||||||||||||||||||
| 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。 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 。了解如何阻止编入索引。缓存时间可能会延长 。重置或断开连接 、 | ||||||||||||||||||||
| /* | 等同于 /。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） ， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 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 ， 用户代理的优先顺序对于某个抓取工具而言 ， 和其他网址一样 ， | ||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、另请参阅 RFC 3492
。 sitemap 字段的值区分大小写。主机和域名） 。
| ||||||||||||||||||||