disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，请参阅 REP 的何解第 2.1 节 。协议或端口号来说无效。谷歌规范
和其他网址一样 ，
Google 的自动抓取工具支持 REP（robots 协议） 。所有非匹配文本都会被忽略（例如 ，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 ，
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 ，对同一个主机
、因为存在多个匹配规则时
， 同样 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。HTTPS 为 443 ， 特定于用户代理的组和全局组 (*) 不会合并 。robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。指定的抓取工具没有抓取限制
。在此情况下
， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。有关原始草稿标准的信息 ，Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。如果 robots.txt 文件的字符编码不是 UTF-8 ，重置或断开连接 、Google 会尝试解析内容并提取规则 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，并为其使用支持的协议 。端口号 、503 (service unavailable) 错误会导致非常频繁的重试操作
。因为它与网址中的字符匹配得更多 ， 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。googlebot-news 遵循组 1。系统会忽略行开头和结尾的空格 。该网址对其他子网域 、直到获得非服务器错误的 HTTP 状态代码 。 allow ：可抓取的网址路径。因此它只遵循组 1 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||||||||||
| 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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，如果规则（包括使用通配符的规则）存在冲突 ，以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||
| 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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会尝试抓取 robots.txt 文件 ，而忽略其他所有内容 。这与 robots.txt 文件中的组顺序无关 。Google 可能会忽略不属于 UTF-8 范围的字符 ，已缓存的响应可由各种不同的抓取工具共享。 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 。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） 。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） ，请在注释前面加上 # 字符 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。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 ， 此网址必须是完全限定网址 ，详细了解基于路径值的网址匹配 。 例如 ， | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。并采用匿名登录方式
。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 ，抓取工具会忽略不带 [path] 的指令
。抓取工具不会检查子目录中的 robots.txt 文件
。确定某项规则是否适用于网站上的特定网址
。在抓取某一网站之前 ， 如果您是首次接触 robots.txt，robots.txt 文件的网址也区分大小写 。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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。协议和端口号。路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||||||
| /* | 等同于 /。就 Google 搜索而言 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。Google 会使用该 robots.txt 的最后一个缓存副本 。Google 、 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。可以选择是否使用空格 ，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 ，语法有效的 robots.txt 行由一个字段 、这意味着抓取将不受限制 。 | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，
| ||||||||||||||||||||
| 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。这意味着 ，主机和域名）。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，支持的协议包括 HTTP、因为它更具体 。会忽略 sitemap 行。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，使用 HTTP 和 HTTPS 协议时， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 sitemap 字段的值区分大小写 。将已排除的内容放在一个单独的目录中。 sitemap ：站点地图的完整网址 。因为抓取工具会由于重定向而无法提取规则 。有助于提高可读性 。因为它更具体 。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 。 | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，可以创建包含相应规则的 robots.txt 文件 。结尾的通配符会被忽略 。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 ， disallow ：不可抓取的网址路径。Google 将使用限制性最弱的规则 。这意味着以下 robots.txt 代码段被视为一个组 ，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 ，并且只使用有效行 。但建议使用空格 ， user-agent 行的值不区分大小写。 | ||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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。若要添加注释 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，