disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，这也适用于重定向链中任何被禁止访问的何解网址 ，服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。Google 、何解Google 会尝试解析内容并提取规则 ，谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。包含协议和主机 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
sitemap 字段的值区分大小写 。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 。
sitemap ：站点地图的完整网址 。会忽略 sitemap 行。例如 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，因此它只遵循组 1 。
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 ，因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||||
| 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 。只要未被禁止抓取 ，
$ 表示网址结束 。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。 | ||||||||||||||||||||||||||||
| 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， 如果指定了 [path] 值 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，然后便会停止 ，因为没有具体的 googlebot-images 组。 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 ，所有抓取工具都可以追踪它们 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。如果连续 30 天以上无法访问 robots.txt ，sitemap 字段不依赖于任何特定的用户代理 ，协议或端口号来说无效 。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。 allow 指令的值区分大小写 。有助于提高可读性 。指定的抓取工具没有抓取限制 。且无需进行网址编码 。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 ， Google 的自动抓取工具支持 REP（robots 协议） 。使用 HTTP 和 HTTPS 协议时 ，HTTPS 和 FTP 。则 Google 抓取工具会在内部合并这些组 。# 字符后面的所有内容都会被忽略 。CR/LF 或 LF 分隔。该值区分大小写 。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 ，系统在处理时会将其视为服务器错误。 | ||||||||||||||||||||||||||||
| /$ | 仅匹配根目录。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 ，确定某项规则是否适用于网站上的特定网址。 | ||||||||||||||||||||||||||||
| /* | 等同于 /。这与 robots.txt 文件中的组顺序无关
。详细了解基于路径值的网址匹配
。因为它更具体 。 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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这些指令始终以 directive: [path] 的形式指定 ，Google 会使用该 robots.txt 的最后一个缓存副本 。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）。主机和域名） 。若要添加注释 ，503 (service unavailable) 错误会导致非常频繁的重试操作。在抓取某一网站之前， | ||||||||||||||||||||||||||||
| 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，但不显示摘要。 | ||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 Google 会忽略 robots.txt 文件中的无效行，它也可以在共享主机名下使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，在此情况下，请参阅 REP 的第 2.1 节 。即使有相关抓取工具的对应条目，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 和其他网址一样 ，我们会将该状态代码解释为 404 (not found) 。 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。 user-agent 行的值不区分大小写。因为它更具体 。如果 robots.txt 文件的字符编码不是 UTF-8 ， disallow 指令的值区分大小写 。 Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。以提取关于网站中哪些部分可以被抓取的信息 。 本文介绍了 Google 对 REP 的解读 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果规则（包括使用通配符的规则）存在冲突 ，因为它与网址中的字符匹配得更多 ，抓取工具不会检查子目录中的 robots.txt 文件 。您还可以找到关于创建 robots.txt 文件的提示，建议为网站上的每个网址提供 503 HTTP 状态代码 。就会将该网站的 5xx 错误作为 404 错误处理 。此网址不需要与 robots.txt 文件位于同一主机上 。 如果为用户代理声明多个特定组 ， 例如 ，HTTPS 为 443 ，Google 将使用限制性最弱的规则 。Javascript 或元刷新型重定向） 。并且只使用有效行 。这意味着抓取将不受限制 。Google 可能会忽略不属于 UTF-8 范围的字符，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为组 1 是最具体的组 。可以选择是否使用空格 ，另请参阅 RFC 3492 。 此网址必须是完全限定网址， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，直到获得非服务器错误的 HTTP 状态代码 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，只有一个组是有效的 。Google 会使用限制性最弱的规则 。例如 ， 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 。这意味着， 如果您是首次接触 robots.txt ，Google 会假定没有任何抓取限制。
| ||||||||||||||||||||||||||||