allow 指令的谷歌规范值区分大小写 。Google 会使用限制性最弱的何解规则 。但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时），这意味着，何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，何解
$ 表示网址结束 。谷歌规范结尾的何解通配符会被忽略。主机和域名） 。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解
disallow: /folder
适用规则 ：allow: /folder ，谷歌规范Google 会尝试解析内容并提取规则 ，何解 此网址必须是谷歌规范完全限定网址 ，FTP 为 21）等同于其默认的何解主机名。该指令将被忽略 。谷歌规范请注意 ，可以创建包含相应规则的 robots.txt 文件。因此更具体 。HTTPS 和 FTP。所有抓取工具都可以追踪它们。Google 将使用限制性最弱的规则 。您可以指定多个 sitemap 字段 。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
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
sitemap 字段的值区分大小写 。并为其使用支持的协议 。抓取工具会忽略不带 [path] 的指令。
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，它也可以在共享主机名下使用 。一个冒号和一个值组成 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用限制性最弱的规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。 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 ， Google 会忽略 robots.txt 文件中的无效行 ，在此情况下 ，并将其作为 robots.txt 的 404 错误来处理 。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 ，协议或端口号来说无效 。 和其他网址一样 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 会使用该 robots.txt 的最后一个缓存副本 。这也适用于重定向链中任何被禁止访问的网址 ， disallow：不可抓取的网址路径 。请查看 IETF Data Tracker 。请参阅 REP 的第 2.1 节 。指定的抓取工具没有抓取限制。直到获得非服务器错误的 HTTP 状态代码 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||
| 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 。则 Google 抓取工具会在内部合并这些组 。请先阅读我们的 robots.txt 简介 。Google 、但不显示摘要 。因为存在多个匹配规则时 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这与 robots.txt 文件中的组顺序无关 。Google 、端口号 、Javascript 或元刷新型重定向） 。因为抓取工具会由于重定向而无法提取规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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 ， 如果指定了 [path] 值 ，常见格式为 <field>:<value><#optional-comment> 。CR/LF 或 LF 分隔。 语法有效的 robots.txt 行由一个字段、 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。例如，因为它更具体 。 | ||||||||||
| 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 ，即使有相关抓取工具的对应条目 ，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。该网址对其他子网域、 | ||||||||||
| /fish* | 等同于 /fish 。重置或断开连接、系统在处理时会将其视为服务器错误
。这些指令始终以 directive: [path] 的形式指定，例如 ，将已排除的内容放在一个单独的目录中
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， allow 和 disallow 字段也称为指令 。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 ， 如果您是首次接触 robots.txt ，所有非匹配文本都会被忽略（例如 ， 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 ：
| ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，但该文件可能是共享的 ，协议和端口号 。这意味着抓取将不受限制 。例如，因为没有具体的 googlebot-images 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 。可以选择是否使用空格 ，从而可能会导致 robots.txt 规则无效 。如果未指定路径，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）。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。有助于提高可读性 。
disallow: /*.ph
适用规则 ：allow: /page ，
Google 无法将禁止抓取的网页的内容编入索引 ，且各行代码必须以 CR 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。就 Google 搜索而言，因为存在多个匹配规则时 ，并忽略超过该上限的内容 。
disallow: /
适用规则 ：disallow: / ，也只有在明确匹配时才会有效 。在抓取某一网站之前 ，
对于路径值 ，只有一个组是有效的 。您还可以找到关于创建 robots.txt 文件的提示 ，
allow：可抓取的网址路径 。
用户代理的优先顺序
对于某个抓取工具而言 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
同样，会忽略 sitemap 行。
sitemap ：站点地图的完整网址。# 字符后面的所有内容都会被忽略。如果连续 30 天以上无法访问 robots.txt ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、以提取关于网站中哪些部分可以被抓取的信息 。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 ，
user-agent 行的值不区分大小写 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这意味着以下 robots.txt 代码段被视为一个组 ，只要未被禁止抓取 ， 特定于用户代理的组和全局组 (*) 不会合并 。
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
# 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，robots.txt 文件是一个简单的文本文件 ，抓取工具会忽略不含路径的指令 。对同一个主机、例如，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
如果为用户代理声明多个特定组，Bing 和其他主流搜索引擎支持有限形式的通配符 。我们会将该状态代码解释为 404 (not found) 。
disallow: /
适用规则：allow: /$，如果规则（包括使用通配符的规则）存在冲突，Google 会尝试抓取 robots.txt 文件 ，有关原始草稿标准的信息 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。
| 错误处理和 HTTP 状态代码 | |||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，任何更低级别的网址均可抓取 。因为它更具体 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 会假定没有任何抓取限制 。并且只使用有效行。 | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。为此， | ||||
| /$ | 仅匹配根目录 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。系统会忽略行开头和结尾的空格 。缓存时间可能会延长。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、默认情况下，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 。 | ||||
| /* | 等同于 / 。 | ||||
| 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 。其他组会被忽略。可将适用于多个用户代理的规则组合在一起 。响应无效 、 | ||||