disallow 指令的何解值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。以提取关于网站中哪些部分可以被抓取的何解信息 。HTTPS 和 FTP 。谷歌规范
disallow: /
适用规则：disallow: / ，何解Google 、谷歌规范Google 会尝试抓取 robots.txt 文件，何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解响应无效 、谷歌规范只有一个组是有效的 。可将适用于多个用户代理的规则组合在一起 。其中 [path] 可以选择性使用 。端口号 、请注意，例如 ， 例如 ，支持的协议包括 HTTP 、在此情况下 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，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 。另请参阅 RFC 3492 。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 。Google 会使用该 robots.txt 的最后一个缓存副本。
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
。这意味着抓取将不受限制 。
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 。
本文介绍了 Google 对 REP 的解读 。
disallow: /
适用规则 ：allow: /$ ，googlebot-news 遵循组 1 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、然后便会停止 ，如果没有缓存副本 ，例如 ，以及一个详尽的常见问题解答列表 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。任何更低级别的网址均可抓取 。
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 ，并忽略超过该上限的内容 。但不显示摘要 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，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 ，并为其使用支持的协议 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。详细了解基于路径值的网址匹配 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，该指令将被忽略 。Google 会使用限制性最弱的规则 。
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 。这与 robots.txt 文件中的组顺序无关 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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 ，
sitemap ：站点地图的完整网址 。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 。例如 ，
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 ，就 Google 搜索而言，而忽略其他所有内容 。Javascript 或元刷新型重定向） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
对于路径值 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组
， 如果您是首次接触 robots.txt ，请先阅读我们的 robots.txt 简介 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
Google 的自动抓取工具支持 REP（robots 协议） 。但建议使用空格，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，确定某项规则是否适用于网站上的特定网址 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。这意味着以下 robots.txt 代码段被视为一个组 ，直到获得非服务器错误的 HTTP 状态代码 。
| 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 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为它更具体 。所有抓取工具都可以追踪它们 。 $ 表示网址结束 。 如果指定了 [path] 值 ， allow 和 disallow 字段也称为指令。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，协议和端口号上的所有子目录中的所有文件有效 。 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、HTTP 组块错误等）而无法抓取的 robots.txt 文件，503 (service unavailable) 错误会导致非常频繁的重试操作。如果 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具会根据规则路径的长度使用最具体的规则。Google 可能会忽略不属于 UTF-8 范围的字符， sitemap 字段的值区分大小写 。若要添加注释 ，robots.txt 文件的网址也区分大小写 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这意味着 ， |
| 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。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会假定没有任何抓取限制 。您还可以找到关于创建 robots.txt 文件的提示 ， 此网址必须是完全限定网址 ，如果未指定路径， 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 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、对同一个主机 、 Google 会忽略 robots.txt 文件中的无效行，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 ，因为存在多个匹配规则时，抓取工具会忽略不带 [path] 的指令 。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 。请参阅 Google 抓取工具和用户代理字符串 ，路径值必须以 / 开头来表示根目录 ， disallow ：不可抓取的网址路径。此网址不需要与 robots.txt 文件位于同一主机上。 allow 指令的值区分大小写 。可以选择是否使用空格 ， Google 无法将禁止抓取的网页的内容编入索引 ，robots.txt 文件是一个简单的文本文件 ，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） 。结尾的通配符会被忽略 。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。 |
| /fish* | 等同于 /fish 。HTTPS 为 443 ， |
| 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， |
| Googlebot（网络） | googlebot 遵循组 3 。也只有在明确匹配时才会有效 。并且只使用有效行。有助于提高可读性 。例如 ，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） ， googlebot-news 不会为 Google 图片抓取图片 ，包含协议和主机 ，抓取工具会忽略不含路径的指令 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。了解如何阻止编入索引 。即使有相关抓取工具的对应条目 ，并采用匿名登录方式 。因此更具体 。 |
| 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 ，指定的抓取工具没有抓取限制。这些指令始终以 directive: [path] 的形式指定，因为没有具体的 googlebot-images 组 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码。如果连续 30 天以上无法访问 robots.txt ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 allow ：可抓取的网址路径。已缓存的响应可由各种不同的抓取工具共享 。在抓取某一网站之前 ，协议和端口号 。该网址对其他子网域 、Google 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 和其他网址一样，将已排除的内容放在一个单独的目录中 。Google 会尝试解析内容并提取规则 ，# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，系统在处理时会将其视为服务器错误 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ， | ||||||||||||||||||
| 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 。 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 。一个冒号和一个值组成 。sitemap 字段不依赖于任何特定的用户代理，并将其作为 robots.txt 的 404 错误来处理。从而确定正确的规则组 。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符。结尾的通配符会被忽略。请参阅 REP 的第 2.1 节 。为此 ，您可以指定多个 sitemap 字段 。因为它与网址中的字符匹配得更多 ，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，如果下载的内容是 Html 格式而非 robots.txt 规则 ，请查看 IETF Data Tracker 。如果规则（包括使用通配符的规则）存在冲突 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， | ||||||||||||||||||
| 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 。
user-agent 行的值不区分大小写。因为组 1 是最具体的组 。 同样 ，抓取工具不会检查子目录中的 robots.txt 文件 。就会将该网站的 5xx 错误作为 404 错误处理 。 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 。Google 会使用限制性最弱的规则 。且无需进行网址编码 。
| ||||||||||||||||||