disallow：不可抓取的何解网址路径 。您可以指定多个 sitemap 字段 。谷歌规范
如果指定了 [path] 值，何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范 此网址必须是何解完全限定网址，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。Google 将使用限制性最弱的何解规则 。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则 。并且只使用有效行 。谷歌规范
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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。CR/LF 或 LF 分隔 。可将适用于多个用户代理的规则组合在一起 。其他组会被忽略。Google 会尝试抓取 robots.txt 文件 ，
allow ：可抓取的网址路径 。了解如何阻止编入索引 。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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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，Google 会使用该 robots.txt 的最后一个缓存副本。
| 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。robots.txt 文件的网址也区分大小写
。例如，路径值必须以 / 开头来表示根目录，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。另请参阅 RFC 3492 。一个冒号和一个值组成 。协议或端口号来说无效
。用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，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 。如果规则（包括使用通配符的规则）存在冲突，将已排除的内容放在一个单独的目录中 。 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 ， allow 和 disallow 字段也称为指令 。在抓取某一网站之前 ，但建议使用空格 ，系统会忽略行开头和结尾的空格 。默认情况下，因为存在多个匹配规则时， 和其他网址一样 ， | ||||||||||||||||||||
| 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。 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 。因为 allow 规则仅适用于根网址 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||
| 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。HTTPS 为 443 ， allow 指令的值区分大小写。并将其作为 robots.txt 的 404 错误来处理。因为它与网址中的字符匹配得更多 ，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）， 如果为用户代理声明多个特定组 ， user-agent 行的值不区分大小写。 | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。缓存时间可能会延长
。协议和端口号 。Javascript 或元刷新型重定向）。例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 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。会忽略 sitemap 行 。 | ||||||||||||||||||||
| 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 ，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 、robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录。 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 。对同一个主机 、如果没有缓存副本
，所有非匹配文本都会被忽略（例如
，sitemap 字段不依赖于任何特定的用户代理
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，它也可以在共享主机名下使用 。主机和域名）。 googlebot-news 不会为 Google 图片抓取图片 ，为此 ， 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 。 如果您是首次接触 robots.txt ，以提取关于网站中哪些部分可以被抓取的信息 。建议为网站上的每个网址提供 503 HTTP 状态代码 。确定某项规则是否适用于网站上的特定网址 。所有抓取工具都可以追踪它们 。就会将该网站的 5xx 错误作为 404 错误处理 。已缓存的响应可由各种不同的抓取工具共享 。这意味着抓取将不受限制 。 例如，也只有在明确匹配时才会有效 。使用 HTTP 和 HTTPS 协议时 ，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 指令的值区分大小写。而忽略其他所有内容 。以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||
| /* | 等同于 / 。googlebot-news 遵循组 1 。 | ||||||||||||||||||||
| 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
，则 Google 抓取工具会在内部合并这些组 。 如果我们能够确定 ，只有一个组是有效的 。Google 会假定没有任何抓取限制 。如果未指定路径，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。并忽略超过该上限的内容 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， Google 的自动抓取工具支持 REP（robots 协议） 。可以创建包含相应规则的 robots.txt 文件。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 Google 会忽略 robots.txt 文件中的无效行 ，
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 ，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 。并采用匿名登录方式 。Bing 和其他主流搜索引擎支持有限形式的通配符 。因此更具体 。这与 robots.txt 文件中的组顺序无关 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，有助于提高可读性 。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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具。但该文件可能是共享的 ，FTP 为 21）等同于其默认的主机名 。抓取工具会忽略不含路径的指令 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
$ 表示网址结束 。这也适用于重定向链中任何被禁止访问的网址，并为其使用支持的协议 。
sitemap 字段的值区分大小写 。Google、详细了解基于路径值的网址匹配
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 ，
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 。包含协议和主机 ，Google 会使用限制性最弱的规则 。例如 ，我们会将该状态代码解释为 404 (not found) 。
语法
有效的 robots.txt 行由一个字段、因为组 1 是最具体的组 。
同样 ，
disallow: /folder
适用规则 ：allow: /folder ，因为没有具体的 googlebot-images 组 。
sitemap ：站点地图的完整网址 。响应无效、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 ，从而确定正确的规则组 。
disallow: /*.ph
适用规则 ：allow: /page ，然后便会停止 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，且各行代码必须以 CR 、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 ，请在注释前面加上 # 字符。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 ，# 字符后面的所有内容都会被忽略。
disallow: /
适用规则 ：allow: /$ ，
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 。因为它更具体 。抓取工具不会检查子目录中的 robots.txt 文件 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，即使有相关抓取工具的对应条目 ，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 ，任何更低级别的网址均可抓取 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
disallow: /
适用规则 ：disallow: / ，结尾的通配符会被忽略 。
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 ，重置或断开连接 、端口号 、请参阅 REP 的第 2.1 节。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 本文介绍了 Google 对 REP 的解读 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。抓取工具会忽略不带 [path] 的指令。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 | ||||||||
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 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 。支持的协议包括 HTTP 、
| ||||||||