disallow 指令的谷歌规范值区分大小写。
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
allow 和 disallow 字段也称为指令 。谷歌规范缓存时间可能会延长 。何解获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解
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 ，这意味着抓取将不受限制 。Google 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，这意味着以下 robots.txt 代码段被视为一个组 ，然后便会停止 ，但建议使用空格 ，
同样 ，googlebot-news 遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理 。
allow ：可抓取的网址路径 。例如 ，
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
。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为没有具体的 googlebot-images 组 。而忽略其他所有内容 。以提取关于网站中哪些部分可以被抓取的信息 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，为此， 此网址必须是完全限定网址，这与 robots.txt 文件中的组顺序无关。请在注释前面加上 # 字符。请注意，只有一个组是有效的 。
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 ，robots.txt 文件的网址也区分大小写 。支持的协议包括 HTTP 、因为抓取工具会由于重定向而无法提取规则 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，例如，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
$ 表示网址结束 。
disallow: /folder
适用规则 ：allow: /folder ，Google 会使用限制性最弱的规则 。
Google 的自动抓取工具支持 REP（robots 协议）。协议和端口号 。另请参阅 RFC 3492 。sitemap 字段不依赖于任何特定的用户代理 ，因为组 1 是最具体的组 。其他组会被忽略。有关原始草稿标准的信息 ，
| 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 。请参阅 Google 抓取工具和用户代理字符串，但不显示摘要 。 Google 会忽略 robots.txt 文件中的无效行 ，# 字符后面的所有内容都会被忽略 。任何更低级别的网址均可抓取 。抓取工具会忽略不带 [path] 的指令 。因此它只遵循组 1 。一个冒号和一个值组成 。 |
| 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， 例如
，默认情况下
，在此情况下 ，抓取工具会忽略不含路径的指令。请先阅读我们的 robots.txt 简介
。 如果指定了 [path] 值 ， sitemap ：站点地图的完整网址 。 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果连续 30 天以上无法访问 robots.txt ，若要添加注释， robots.txt 文件中列出的规则只适用于该文件所在的主机、 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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果 robots.txt 文件的字符编码不是 UTF-8 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， 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 ，因为它更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。可以选择是否使用空格 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。以及一个详尽的常见问题解答列表 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。
如果我们能够确定 ，使用 HTTP 和 HTTPS 协议时，只要未被禁止抓取 ，
如果您需要暂停抓取，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 ，常见格式为 <field>:<value><#optional-comment> 。
Google 无法将禁止抓取的网页的内容编入索引
，其中 [path] 可以选择性使用。该网址对其他子网域 、且无需进行网址编码
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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， | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，即使有相关抓取工具的对应条目 ，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 、Google 会尝试解析内容并提取规则 ，并为其使用支持的协议 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 ，路径值必须以 / 开头来表示根目录 ，但该文件可能是共享的 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、并将其作为 robots.txt 的 404 错误来处理 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果未指定路径 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。协议或端口号来说无效 。这意味着 ，例如 ，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 ， | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 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），如果没有缓存副本， user-agent 行的值不区分大小写 。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。详细了解基于路径值的网址匹配 。则 Google 抓取工具会在内部合并这些组 。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 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。且各行代码必须以 CR
、用户代理的优先顺序对于某个抓取工具而言 ，
| ||||||||||||||||||||||||||