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。
如果您需要暂停抓取 ，谷歌规范FTP 为 21）等同于其默认的何解主机名 。因此 user-agent a 和 b 均受 disallow: / 规则的谷歌规范影响 ：
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 ，只要未被禁止抓取 ，何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，重置或断开连接 、何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
$ 表示网址结束 。
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
disallow: /*.htm
适用规则 ：disallow: /*.htm ，只有一个组是有效的 。所有抓取工具都可以追踪它们。
| 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 。 sitemap 字段的值区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。就 Google 搜索而言 ，如果没有缓存副本 ， 本文介绍了 Google 对 REP 的解读 。已缓存的响应可由各种不同的抓取工具共享 。请参阅 REP 的第 2.1 节 。# 字符后面的所有内容都会被忽略 。并将其作为 robots.txt 的 404 错误来处理 。因为存在多个匹配规则时，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，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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 ，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码。例如 ，在抓取某一网站之前 ，因为没有具体的 googlebot-images 组。
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，这意味着 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。且无需进行网址编码 。结尾的通配符会被忽略。Google 将使用限制性最弱的规则 。一个冒号和一个值组成 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。Javascript 或元刷新型重定向） 。主机和域名） 。因为它更具体 。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）。这些指令始终以 directive: [path] 的形式指定，结尾的通配符会被忽略。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。
disallow: /
适用规则 ：allow: /$，抓取工具会根据规则路径的长度使用最具体的规则 。
如果我们能够确定 ，系统会忽略行开头和结尾的空格 。
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 。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 。如果未指定路径 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。Google 、然后便会停止 ，您可以指定多个 sitemap 字段
。 disallow：不可抓取的网址路径 。请参阅 Google 抓取工具和用户代理字符串 ，因为抓取工具会由于重定向而无法提取规则 。 同样 ， 对于路径值 ， disallow 指令的值区分大小写 。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 ，端口号 、 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 ，robots.txt 文件的网址也区分大小写 。 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 ， allow 指令的值区分大小写 。 Google 无法将禁止抓取的网页的内容编入索引 ， Google 会忽略 robots.txt 文件中的无效行，并忽略超过该上限的内容 。支持的协议包括 HTTP、 | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。用户代理的优先顺序对于某个抓取工具而言 ， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，确定某项规则是否适用于网站上的特定网址。robots.txt 文件是一个简单的文本文件 ， allow 和 disallow 字段也称为指令 。 | ||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||
| Googlebot Images | googlebot-images 遵循组 2
，因为 allow 规则仅适用于根网址
。 此网址必须是完全限定网址 ，但该文件可能是共享的，另请参阅 RFC 3492 。 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 。
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 会使用限制性最弱的规则 。Google 、可以选择是否使用空格 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。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 。 语法有效的 robots.txt 行由一个字段、 | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。协议和端口号上的所有子目录中的所有文件有效。 | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这意味着以下 robots.txt 代码段被视为一个组 ，若要添加注释 ，为此 ，Google 会尝试抓取 robots.txt 文件 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。包含协议和主机 ，而忽略其他所有内容 。请先阅读我们的 robots.txt 简介 。
disallow: /*.ph
适用规则 ：allow: /page ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。任何更低级别的网址均可抓取。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定
，HTTPS 为 443 ，响应无效、抓取工具会使用标准 RETR (RETRIEVE) 命令
，使用 HTTP 和 HTTPS 协议时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、路径值必须以 / 开头来表示根目录，这意味着抓取将不受限制 。
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 。它也可以在共享主机名下使用。所有非匹配文本都会被忽略（例如，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，抓取工具会忽略不含路径的指令 。有助于提高可读性 。可以创建包含相应规则的 robots.txt 文件 。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） ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 。
disallow: /
适用规则 ：disallow: / ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这也适用于重定向链中任何被禁止访问的网址 ，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 可能会忽略不属于 UTF-8 范围的字符 ，但建议使用空格 ， googlebot-news 不会为 Google 图片抓取图片 ，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 。并且只使用有效行。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，CR/LF 或 LF 分隔。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，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 ，并采用匿名登录方式 。如果连续 30 天以上无法访问 robots.txt ，了解如何阻止编入索引 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Google 会假定没有任何抓取限制 。 | ||||||||
| /fish* | 等同于 /fish。Google 会尝试解析内容并提取规则
，因为它与网址中的字符匹配得更多 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但不显示摘要 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为组 1 是最具体的组 。 allow ：可抓取的网址路径 。就会将该网站的 5xx 错误作为 404 错误处理。 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：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，如果规则（包括使用通配符的规则）存在冲突 ， 如果指定了 [path] 值 ， 如果为用户代理声明多个特定组，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果 robots.txt 文件的字符编码不是 UTF-8 ， sitemap ：站点地图的完整网址 。系统在处理时会将其视为服务器错误 。可将适用于多个用户代理的规则组合在一起 。 | ||||||||
| /* | 等同于 / 。请在注释前面加上 # 字符。因为存在多个匹配规则时
，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 、 user-agent 行的值不区分大小写 。 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 ， 例如， | ||||||||