用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。有关原始草稿标准的谷歌规范信息 ，例如 ，何解
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范因为没有具体的何解 googlebot-images 组 。指定的谷歌规范抓取工具没有抓取限制 。
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。 如果您是首次接触 robots.txt ， 此网址必须是完全限定网址
，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。 同样 ，Google 会尝试抓取 robots.txt 文件，因为它与网址中的字符匹配得更多 ，从而确定正确的规则组 。robots.txt 文件是一个简单的文本文件，系统会忽略行开头和结尾的空格 。抓取工具会根据规则路径的长度使用最具体的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。这意味着以下 robots.txt 代码段被视为一个组 ，
规则的优先顺序匹配 robots.txt 规则与网址时，会忽略 sitemap 行 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。以提取关于网站中哪些部分可以被抓取的信息。请注意， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但可能仍会将其网址编入索引并将其显示在搜索结果中，其中 [path] 可以选择性使用 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 例如 ，如果连续 30 天以上无法访问 robots.txt ，但该文件可能是共享的 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，主机和域名）。 | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、并将其作为 robots.txt 的 404 错误来处理。任何更低级别的网址均可抓取。如果规则（包括使用通配符的规则）存在冲突 ，它也可以在共享主机名下使用。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow 指令的值区分大小写 。
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 robots.txt 只在抓取作为主机名的该 IP 地址时有效。且各行代码必须以 CR 、
user-agent 行的值不区分大小写。有助于提高可读性 。如果未指定路径 ，
和其他网址一样 ，因为存在多个匹配规则时 ，
| 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 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。但建议使用空格 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。从而可能会导致 robots.txt 规则无效
。对同一个主机、这意味着抓取将不受限制。 |
| 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 。因此它只遵循组 1 。只要未被禁止抓取 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、结尾的通配符会被忽略 。因为存在多个匹配规则时，因为抓取工具会由于重定向而无法提取规则 。若要添加注释 ，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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， allow 和 disallow 字段也称为指令 。 |
| /* | 等同于 /。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） ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，已缓存的响应可由各种不同的抓取工具共享。 $ 表示网址结束。 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 。CR/LF 或 LF 分隔。 disallow ：不可抓取的网址路径 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。了解如何阻止编入索引 。Javascript 或元刷新型重定向） 。# 字符后面的所有内容都会被忽略 。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 会尝试解析内容并提取规则 ，即使有相关抓取工具的对应条目 ，您还可以找到关于创建 robots.txt 文件的提示 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，确定某项规则是否适用于网站上的特定网址。抓取工具会使用标准 RETR (RETRIEVE) 命令
，因为 allow 规则仅适用于根网址。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，另请参阅 RFC 3492
。所有抓取工具都可以追踪它们 。则 Google 抓取工具会在内部合并这些组。Bing 和其他主流搜索引擎支持有限形式的通配符 。该指令将被忽略
。可以选择是否使用空格 ，详细了解基于路径值的网址匹配
。googlebot-news 遵循组 1。sitemap 字段不依赖于任何特定的用户代理
， 对于路径值 ， |
| /fish | 匹配以 /fish 开头的任何路径 。且无需进行网址编码。Google 可能会忽略不属于 UTF-8 范围的字符 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 |
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， allow 指令的值区分大小写 。Google 会使用限制性最弱的规则 。 |
| 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 。 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。 allow ：可抓取的网址路径 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 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 ， Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会忽略不含路径的指令 。包含协议和主机 ，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） 。您可以指定多个 sitemap 字段 。 |
| /$ | 仅匹配根目录 。协议和端口号 。重置或断开连接 、HTTPS 为 443， 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。 |
| 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 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，将已排除的内容放在一个单独的目录中 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为它更具体 。以及一个详尽的常见问题解答列表 。而忽略其他所有内容 。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 ，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 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 如果为用户代理声明多个特定组， 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 ，此网址不需要与 robots.txt 文件位于同一主机上 。这意味着， Google 支持以下字段： user-agent
：标识相应规则适用于哪些抓取工具。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 本文介绍了 Google 对 REP 的解读。robots.txt 文件的网址也区分大小写。就会将该网站的 5xx 错误作为 404 错误处理 。系统在处理时会将其视为服务器错误 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这与 robots.txt 文件中的组顺序无关 。也只有在明确匹配时才会有效 。支持的协议包括 HTTP 、
如果指定了 [path] 值 ，抓取工具会忽略不带 [path] 的指令 。
disallow: /folder
适用规则 ：allow: /folder，但不显示摘要 。
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。只有一个组是有效的 。
sitemap ：站点地图的完整网址 。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 。路径值必须以 / 开头来表示根目录 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 ， Google 会忽略 robots.txt 文件中的无效行，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 。并为其使用支持的协议。例如， 用户代理的优先顺序对于某个抓取工具而言 ，并且只使用有效行 。所有非匹配文本都会被忽略（例如 ，该值区分大小写 。并采用匿名登录方式 。然后便会停止，端口号 、该网址对其他子网域 、并忽略超过该上限的内容 。在抓取某一网站之前 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，请在注释前面加上 # 字符 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
| 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， |
| 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 ，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 ，可以创建包含相应规则的 robots.txt 文件
。例如
， |