这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范googlebot-news 遵循组 1 。何解但建议使用空格，谷歌规范支持的何解协议包括 HTTP 、Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。 如果您是何解首次接触 robots.txt，这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。可以创建包含相应规则的 robots.txt 文件 。FTP 为 21）等同于其默认的主机名。一个冒号和一个值组成 。
Google 无法将禁止抓取的网页的内容编入索引 ，并忽略超过该上限的内容。例如 ，会忽略 sitemap 行 。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
，
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，在抓取某一网站之前 ， |
| Googlebot（网络） | googlebot 遵循组 3 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，有关原始草稿标准的信息 ，然后便会停止 ，协议和端口号 。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 ，请先阅读我们的 robots.txt 简介 。 |
| Googlebot News（抓取图片时） | 抓取图片时
，因为组 1 是最具体的组
。 allow 指令的值区分大小写 。就 Google 搜索而言 ，robots.txt 文件的网址也区分大小写 。我们会将该状态代码解释为 404 (not found) 。以提取关于网站中哪些部分可以被抓取的信息 。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 ，如果未指定路径 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 。Javascript 或元刷新型重定向） 。抓取工具会根据规则路径的长度使用最具体的规则 。Google、协议或端口号来说无效。结尾的通配符会被忽略 。 |
| 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 ，因为抓取工具会由于重定向而无法提取规则。您还可以找到关于创建 robots.txt 文件的提示 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 此网址必须是完全限定网址 ， |
| 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。响应无效
、 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，并采用匿名登录方式 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，已缓存的响应可由各种不同的抓取工具共享
。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这意味着以下 robots.txt 代码段被视为一个组 ， Google 会忽略 robots.txt 文件中的无效行 ， sitemap ：站点地图的完整网址。如果规则（包括使用通配符的规则）存在冲突 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为存在多个匹配规则时，HTTPS 和 FTP 。也只有在明确匹配时才会有效 。 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 。 sitemap 字段的值区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为没有具体的 googlebot-images 组 。但该文件可能是共享的， 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 ，从而可能会导致 robots.txt 规则无效 。确定某项规则是否适用于网站上的特定网址。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 例如 ，即使有相关抓取工具的对应条目 ，所有抓取工具都可以追踪它们 。 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 。这与 robots.txt 文件中的组顺序无关 。有助于提高可读性 。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 ，常见格式为 <field>:<value><#optional-comment> 。 allow ：可抓取的网址路径 。其中 [path] 可以选择性使用 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，主机和域名） 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， |
| 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。该指令将被忽略 。因为 allow 规则仅适用于根网址 。只有一个组是有效的 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，这意味着
，直到获得非服务器错误的 HTTP 状态代码 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。此网址不需要与 robots.txt 文件位于同一主机上 。语法有效的 robots.txt 行由一个字段 、使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 特定于用户代理的组和全局组 (*) 不会合并 。例如 ， disallow 指令的值区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作。 | ||||||||||||||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。 如果为用户代理声明多个特定组，Bing 和其他主流搜索引擎支持有限形式的通配符 。您可以指定多个 sitemap 字段 。其他组会被忽略 。将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||||||||||||||||||||||||||||||||||