同样 ，何解详细了解基于路径值的谷歌规范网址匹配。
allow ：可抓取的网址路径 。
Google 的自动抓取工具支持 REP（robots 协议） 。并为其使用支持的协议 。请参阅 Google 抓取工具和用户代理字符串，
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，系统会忽略行开头和结尾的空格 。可将适用于多个用户代理的规则组合在一起 。Google 会使用限制性最弱的规则 。
disallow 指令的值区分大小写 。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 。这意味着以下 robots.txt 代码段被视为一个组 ，因此更具体 。
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 。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 ，此网址不需要与 robots.txt 文件位于同一主机上 。Google 会假定没有任何抓取限制 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
sitemap ：站点地图的完整网址 。# 字符后面的所有内容都会被忽略。因为它更具体 。Google 会使用该 robots.txt 的最后一个缓存副本。503 (service unavailable) 错误会导致非常频繁的重试操作 。
$ 表示网址结束 。系统在处理时会将其视为服务器错误 。
Google 无法将禁止抓取的网页的内容编入索引 ，HTTPS 为 443 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
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 。
disallow: /
适用规则 ：allow: /$ ，
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。 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。因为它与网址中的字符匹配得更多 ，协议和端口号上的所有子目录中的所有文件有效 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用限制性最弱的规则 。抓取工具会忽略不带 [path] 的指令 。结尾的通配符会被忽略 。例如，因为抓取工具会由于重定向而无法提取规则 。 user-agent 行的值不区分大小写 。会忽略 sitemap 行 。Google 可能会忽略不属于 UTF-8 范围的字符，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。若要添加注释，例如 ，这意味着，只要未被禁止抓取 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。则 Google 抓取工具会在内部合并这些组 。 此网址必须是完全限定网址 ，
如果我们能够确定，Google 会尝试抓取 robots.txt 文件 ，
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 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，
Google 会忽略 robots.txt 文件中的无效行， 如果您是首次接触 robots.txt
，Google 、重置或断开连接 、FTP 为 21）等同于其默认的主机名 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。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 。
| 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 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，该指令将被忽略 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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 ，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） ，Javascript 或元刷新型重定向） 。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。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ， 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2， 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 。以提取关于网站中哪些部分可以被抓取的信息 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。任何更低级别的网址均可抓取 。 allow 和 disallow 字段也称为指令 。 | ||||||||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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） 。sitemap 字段不依赖于任何特定的用户代理，请在注释前面加上 # 字符 。googlebot-news 遵循组 1 。默认情况下 ，因为存在多个匹配规则时 ，在抓取某一网站之前 ，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则。 | ||||||||||||||||||||
| /fish* | 等同于 /fish。并忽略超过该上限的内容 。 | ||||||||||||||||||||
| /* | 等同于 /
。只有一个组是有效的 。如果连续 30 天以上无法访问 robots.txt ，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 ，例如
，语法有效的 robots.txt 行由一个字段、 用户代理的优先顺序对于某个抓取工具而言 ，Google 、主机和域名） 。 本文介绍了 Google 对 REP 的解读 。但建议使用空格 ， | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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 ， allow 指令的值区分大小写 。且无需进行网址编码 。如果未指定路径 ，Google 将使用限制性最弱的规则 。所有抓取工具都可以追踪它们 。这意味着抓取将不受限制 。 | ||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，您还可以找到关于创建 robots.txt 文件的提示 ，这也适用于重定向链中任何被禁止访问的网址，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。指定的抓取工具没有抓取限制 。 disallow ：不可抓取的网址路径 。从而确定正确的规则组。因为它更具体 。 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 ，您可以指定多个 sitemap 字段 。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， | ||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于： 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 。 和其他网址一样 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。并且只使用有效行
。使用 HTTP 和 HTTPS 协议时 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，请参阅 REP 的第 2.1 节 。支持的协议包括 HTTP 、 sitemap 字段的值区分大小写 。确定某项规则是否适用于网站上的特定网址 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、抓取工具不会检查子目录中的 robots.txt 文件 。但该文件可能是共享的
，因为存在多个匹配规则时
，将已排除的内容放在一个单独的目录中 。如果 robots.txt 文件的字符编码不是 UTF-8 ，如果下载的内容是 Html 格式而非 robots.txt 规则，抓取工具会根据规则路径的长度使用最具体的规则
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。 | ||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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。直到获得非服务器错误的 HTTP 状态代码 。
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。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，