用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。
什么是谷歌规范 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 ，使用 HTTP 和 HTTPS 协议时 ，何解您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。
语法
有效的谷歌规范 robots.txt 行由一个字段 、在抓取某一网站之前 ，何解可以选择是谷歌规范否使用空格，例如，FTP 为 21）等同于其默认的主机名 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。已缓存的响应可由各种不同的抓取工具共享。且各行代码必须以 CR 、支持的协议包括 HTTP 、
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 ，
sitemap 字段的值区分大小写 。主机和域名）。
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 ，结尾的通配符会被忽略 。并采用匿名登录方式 。 allow 指令的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息。# 字符后面的所有内容都会被忽略 。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 。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，请查看 IETF Data Tracker。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 对于路径值，系统会忽略行开头和结尾的空格。为此，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||
| /fish* | 等同于 /fish 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，只要未被禁止抓取 ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。指定的抓取工具没有抓取限制
。该值区分大小写
。系统在处理时会将其视为服务器错误
。 同样 ，在此情况下 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， sitemap ：站点地图的完整网址。 | ||||||||
| 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。此网址不需要与 robots.txt 文件位于同一主机上 。因为它更具体 。googlebot-news 遵循组 1 。如果未指定路径 ，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 。 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 。以及一个详尽的常见问题解答列表 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此它只遵循组 1 。 | ||||||||
| 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 ， | ||||||||
| 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。我们会将该状态代码解释为 404 (not found) 。Google 会尝试抓取 robots.txt 文件 ，并为其使用支持的协议 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，HTTPS 为 443
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、对同一个主机 、
规则的优先顺序匹配 robots.txt 规则与网址时 ，这意味着 ， disallow ：不可抓取的网址路径 。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，例如 ，您可以指定多个 sitemap 字段 。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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||
| 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 。 例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，即使有相关抓取工具的对应条目 ，抓取工具会根据规则路径的长度使用最具体的规则。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。任何更低级别的网址均可抓取 。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、然后便会停止 ，这与 robots.txt 文件中的组顺序无关 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 特定于用户代理的组和全局组 (*) 不会合并 。 Google 会忽略 robots.txt 文件中的无效行， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，则 Google 抓取工具会在内部合并这些组 。其他组会被忽略 。
$ 表示网址结束 。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） 。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 ，结尾的通配符会被忽略 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，robots.txt 文件的网址也区分大小写 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ， googlebot-news 不会为 Google 图片抓取图片 ，
| 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 。 | ||||||||
| /$ | 仅匹配根目录 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||
| /fish | 匹配以 /fish 开头的任何路径
。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） ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||
| /*.php | 匹配包含 .php 的任何路径。 | ||||||||
| 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 ，因为 allow 规则仅适用于根网址。 如果您需要暂停抓取，从而确定正确的规则组 。若要添加注释，了解如何阻止编入索引 。就会将该网站的 5xx 错误作为 404 错误处理。包含协议和主机 ，一个冒号和一个值组成 。这意味着抓取将不受限制 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。抓取工具会忽略不含路径的指令
。 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||
| 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 。robots.txt 文件是一个简单的文本文件 ，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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，503 (service unavailable) 错误会导致非常频繁的重试操作 。直到获得非服务器错误的 HTTP 状态代码。就 Google 搜索而言 ，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，Google 可能会忽略不属于 UTF-8 范围的字符 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， user-agent 行的值不区分大小写。但建议使用空格，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 本文介绍了 Google 对 REP 的解读 。但不显示摘要。Google 、该指令将被忽略 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有非匹配文本都会被忽略（例如 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，协议和端口号
。有助于提高可读性 。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
，其中 [path] 可以选择性使用 。另请参阅 RFC 3492 。Javascript 或元刷新型重定向）。因为存在多个匹配规则时
，响应无效 、