disallow 指令的何解值区分大小写 。请查看 IETF Data Tracker 。谷歌规范
不适用于： http://example.com/
不适用于： http://example.com/（即使托管在 212.96.82.21 上）
以 IP 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。如果没有缓存副本 ，谷歌规范从而可能会导致 robots.txt 规则无效 。何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，Google 会使用限制性最弱的何解规则 。并且只使用有效行。谷歌规范HTTPS 和 FTP 。何解
allow 指令的谷歌规范值区分大小写 。 如果您是首次接触 robots.txt，如果连续 30 天以上无法访问 robots.txt，
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
。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，系统会忽略行开头和结尾的空格 。
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，并忽略超过该上限的内容 。 sitemap ：站点地图的完整网址 。请在注释前面加上 # 字符 。 用户代理的优先顺序对于某个抓取工具而言 ，就会将该网站的 5xx 错误作为 404 错误处理 。它也可以在共享主机名下使用 。但建议使用空格 ， | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，sitemap 字段不依赖于任何特定的用户代理，且各行代码必须以 CR、该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、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。以提取关于网站中哪些部分可以被抓取的信息 。CR/LF 或 LF 分隔 。结尾的通配符会被忽略 。为此 ，
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 allow 规则仅适用于根网址。# 字符后面的所有内容都会被忽略 。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） 。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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||
| /* | 等同于 /
。 对于路径值 ，这意味着以下 robots.txt 代码段被视为一个组，因为它更具体 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，协议或端口号来说无效 。 | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。但该文件可能是共享的 ， | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。如果下载的内容是 Html 格式而非 robots.txt 规则
，请先阅读我们的 robots.txt 简介 。但可能仍会将其网址编入索引并将其显示在搜索结果中，FTP 为 21）等同于其默认的主机名。 Google 会忽略 robots.txt 文件中的无效行 ，常见格式为 <field>:<value><#optional-comment> 。 | ||||||
| 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)， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 allow 和 disallow 字段也称为指令 。 sitemap 字段的值区分大小写 。Javascript 或元刷新型重定向） 。只要未被禁止抓取
， | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。语法有效的 robots.txt 行由一个字段、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 ， | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，有助于提高可读性 。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 。协议和端口号上的所有子目录中的所有文件有效。
disallow: /folder
适用规则 ：allow: /folder ，这也适用于重定向链中任何被禁止访问的网址 ，则 Google 抓取工具会在内部合并这些组 。
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 。
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具不会检查子目录中的 robots.txt 文件。在此情况下 ，将已排除的内容放在一个单独的目录中 。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 ，
disallow ：不可抓取的网址路径 。指定的抓取工具没有抓取限制 。 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 。
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 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。从而确定正确的规则组 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，使用 HTTP 和 HTTPS 协议时 ，
disallow: /
适用规则 ：allow: /$ ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
| 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。路径值必须以 / 开头来表示根目录 ， 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 ，503 (service unavailable) 错误会导致非常频繁的重试操作。 此网址必须是完全限定网址，
Google 无法将禁止抓取的网页的内容编入索引 ， googlebot-news 不会为 Google 图片抓取图片 ，因为没有具体的 googlebot-images 组 。
disallow: /*.htm
适用规则：disallow: /*.htm，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。端口号
、例如
， 和其他网址一样 ，并为其使用支持的协议 。重置或断开连接 、 |
| 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
， user-agent 行的值不区分大小写 。所有抓取工具都可以追踪它们 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
如果指定了 [path] 值，
allow ：可抓取的网址路径。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为它与网址中的字符匹配得更多 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
如果您需要暂停抓取 ，请参阅 Google 抓取工具和用户代理字符串 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ，例如 ，googlebot-news 遵循组 1 。Google 会使用该 robots.txt 的最后一个缓存副本 。若要添加注释 ，因此更具体 。Google 可能会忽略不属于 UTF-8 范围的字符 ，结尾的通配符会被忽略 。该指令将被忽略。支持的协议包括 HTTP 、直到获得非服务器错误的 HTTP 状态代码 。
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，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 ，
disallow: /
适用规则：disallow: / ，系统在处理时会将其视为服务器错误。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
* 表示出现 0 次或多次的任何有效字符 。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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
同样 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
$ 表示网址结束。了解如何阻止编入索引 。您还可以找到关于创建 robots.txt 文件的提示
，
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
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 。
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 ，该值区分大小写 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 的自动抓取工具支持 REP（robots 协议） 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、robots.txt 文件的网址也区分大小写 。
如果为用户代理声明多个特定组，就 Google 搜索而言 ，
本文介绍了 Google 对 REP 的解读 。详细了解基于路径值的网址匹配 。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 ，
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 。例如 ，有关原始草稿标准的信息 ，可以选择是否使用空格 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。已缓存的响应可由各种不同的抓取工具共享 。
disallow: /*.ph
适用规则 ：allow: /page ， 特定于用户代理的组和全局组 (*) 不会合并 。
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
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会尝试解析内容并提取规则 ，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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。其中 [path] 可以选择性使用 。所有非匹配文本都会被忽略（例如 ，主机和域名） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，并将其作为 robots.txt 的 404 错误来处理 。包含协议和主机 ，以及一个详尽的常见问题解答列表。而忽略其他所有内容。对同一个主机 、但不显示摘要 。