disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径 。主机和域名） 。何解则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。这意味着以下 robots.txt 代码段被视为一个组，何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，
用户代理的优先顺序
对于某个抓取工具而言 ，将已排除的内容放在一个单独的目录中 。例如 ，抓取工具会忽略不含路径的指令 。例如 ，常见格式为 <field>:<value><#optional-comment> 。它也可以在共享主机名下使用 。Google 会使用该 robots.txt 的最后一个缓存副本 。确定某项规则是否适用于网站上的特定网址 。这些指令始终以 directive: [path] 的形式指定 ，
同样 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。googlebot-news 遵循组 1 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但建议使用空格 ，
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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。路径值必须以 / 开头来表示根目录 ，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 ，如果规则（包括使用通配符的规则）存在冲突 ，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、建议为网站上的每个网址提供 503 HTTP 状态代码 。
对于路径值 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
如果指定了 [path] 值 ，
disallow: /folder
适用规则 ：allow: /folder ，Google 会使用限制性最弱的规则 。但该文件可能是共享的 ，
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
allow 和 disallow 字段也称为指令。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。即使有相关抓取工具的对应条目，
如果您需要暂停抓取 ，结尾的通配符会被忽略 。Google 会尝试抓取 robots.txt 文件 ，并将其作为 robots.txt 的 404 错误来处理 。
disallow: /*.ph
适用规则 ：allow: /page，若要添加注释 ，因此它只遵循组 1 。对同一个主机、
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。只要未被禁止抓取 ，
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。该指令将被忽略 。如果未指定路径 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、您可以指定多个 sitemap 字段。使用 HTTP 和 HTTPS 协议时 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、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） ，
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。因为组 1 是最具体的组 。
$ 表示网址结束 。以及一个详尽的常见问题解答列表 。任何更低级别的网址均可抓取。但可能仍会将其网址编入索引并将其显示在搜索结果中，
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 ，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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。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） 。系统会忽略行开头和结尾的空格
。协议或端口号来说无效 。
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 ， 如果我们能够确定 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。以提取关于网站中哪些部分可以被抓取的信息 。
| ||||||||||||||||
| 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 。# 字符后面的所有内容都会被忽略。且各行代码必须以 CR、 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 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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 ，因为没有具体的 googlebot-images 组 。就会将该网站的 5xx 错误作为 404 错误处理 。请注意，请参阅 Google 抓取工具和用户代理字符串 ，并为其使用支持的协议。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 此网址必须是完全限定网址 ，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 。直到获得非服务器错误的 HTTP 状态代码 。在此情况下 ，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 。从而可能会导致 robots.txt 规则无效。且无需进行网址编码 。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 。 和其他网址一样 ，Google 会假定没有任何抓取限制 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可以创建包含相应规则的 robots.txt 文件 。 Google 会忽略 robots.txt 文件中的无效行 ，有助于提高可读性 。这也适用于重定向链中任何被禁止访问的网址，例如 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 user-agent 行的值不区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为抓取工具会由于重定向而无法提取规则 。Javascript 或元刷新型重定向）。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 语法有效的 robots.txt 行由一个字段 、包含协议和主机， allow ：可抓取的网址路径 。这意味着抓取将不受限制 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，有关原始草稿标准的信息 ， | ||||||||||||||||
| /fish* | 等同于 /fish。因此更具体 。其中 [path] 可以选择性使用 。其他组会被忽略 。 | ||||||||||||||||
| /$ | 仅匹配根目录。抓取工具会根据规则路径的长度使用最具体的规则。协议和端口号
。 例如 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，在抓取某一网站之前 ， 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，因为它与网址中的字符匹配得更多， disallow 指令的值区分大小写。 | ||||||||||||||||
| 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。一个冒号和一个值组成 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， googlebot-news 不会为 Google 图片抓取图片 ，从而确定正确的规则组 。系统在处理时会将其视为服务器错误 。这意味着 ， | ||||||||||||||||
| 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 ，Google 将使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，如果 robots.txt 文件的字符编码不是 UTF-8，
disallow: /
适用规则 ：disallow: /，HTTPS 和 FTP。
sitemap ：站点地图的完整网址 。可将适用于多个用户代理的规则组合在一起。googlebot/1.2 和 googlebot* 均等同于 googlebot）。Google 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，响应无效 、
* 表示出现 0 次或多次的任何有效字符 。而忽略其他所有内容 。例如 ， 特定于用户代理的组和全局组 (*) 不会合并 。robots.txt 文件的网址也区分大小写 。并采用匿名登录方式 。该网址对其他子网域、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 ，
| 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 。可以选择是否使用空格
， 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 ，CR/LF 或 LF 分隔。
| ||||||||