disallow: /folder
适用规则 ：allow: /folder ，谷歌规范例如 ：
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，何解Google 会尝试解析内容并提取规则 ，谷歌规范抓取工具会忽略不含路径的何解指令。
语法
有效的谷歌规范 robots.txt 行由一个字段 、并采用匿名登录方式 。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，
对于路径值 ，何解该值区分大小写 。谷歌规范因为 allow 规则仅适用于根网址 。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） ，支持的协议包括 HTTP 、如果没有缓存副本 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，且各行代码必须以 CR 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 。抓取工具会忽略不带 [path] 的指令 。任何更低级别的网址均可抓取 。结尾的通配符会被忽略 。协议和端口号上的所有子目录中的所有文件有效 。
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 ，对同一个主机、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。为此 ，因为它与网址中的字符匹配得更多 ，重置或断开连接 、请查看 IETF Data Tracker 。
如果您需要暂停抓取，因为抓取工具会由于重定向而无法提取规则 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| 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 。协议和端口号 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，详细了解基于路径值的网址匹配 。只要未被禁止抓取 ，Google 将使用限制性最弱的规则。 例如 ，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。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、该指令将被忽略 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这也适用于重定向链中任何被禁止访问的网址 ，
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 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 会使用限制性最弱的规则 。robots.txt 文件的网址也区分大小写 。例如 ，# 字符后面的所有内容都会被忽略 。 |
| 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 。 googlebot-news 不会为 Google 图片抓取图片 ， |
| 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 ， sitemap 字段的值区分大小写 。但建议使用空格， |
| Googlebot Images | googlebot-images 遵循组 2， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，所有抓取工具都可以追踪它们
。因为组 1 是最具体的组 。CR/LF 或 LF 分隔
。指定的抓取工具没有抓取限制。HTTPS 和 FTP
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。在抓取某一网站之前，例如
，
如果我们能够确定
，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则 。
本文介绍了 Google 对 REP 的解读
。
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 指令的值区分大小写 。另请参阅 RFC 3492 。这意味着以下 robots.txt 代码段被视为一个组 ，路径值必须以 / 开头来表示根目录 ，
disallow: /*.ph
适用规则 ：allow: /page ，就 Google 搜索而言 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。在此情况下 ，并忽略超过该上限的内容 。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。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 ，且无需进行网址编码 。
allow：可抓取的网址路径 。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 ，因为它更具体 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。了解如何阻止编入索引。
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 ，从而确定正确的规则组 。
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 ，请先阅读我们的 robots.txt 简介 。以提取关于网站中哪些部分可以被抓取的信息 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该网址对其他子网域、抓取工具不会检查子目录中的 robots.txt 文件 。Google 会假定没有任何抓取限制 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，将已排除的内容放在一个单独的目录中 。 同样 ，其中 [path] 可以选择性使用。 disallow 指令的值区分大小写 。如果连续 30 天以上无法访问 robots.txt， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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 。常见格式为 <field>:<value><#optional-comment> 。如果未指定路径 ，此网址不需要与 robots.txt 文件位于同一主机上 。这与 robots.txt 文件中的组顺序无关。默认情况下 ，因为它更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。 如果您是首次接触 robots.txt ，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 、我们会将该状态代码解释为 404 (not found)。一个冒号和一个值组成 。
用户代理的优先顺序
对于某个抓取工具而言，则 Google 抓取工具会在内部合并这些组 。它也可以在共享主机名下使用 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，您还可以找到关于创建 robots.txt 文件的提示，有助于提高可读性 。
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， 特定于用户代理的组和全局组 (*) 不会合并 。
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 ，可将适用于多个用户代理的规则组合在一起 。主机和域名） 。请参阅 REP 的第 2.1 节 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
disallow: /
适用规则 ：disallow: / ，所有非匹配文本都会被忽略（例如 ，
allow 和 disallow 字段也称为指令 。HTTPS 为 443 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如，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，
如果为用户代理声明多个特定组 ，因为存在多个匹配规则时 ，并且只使用有效行 。
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 。
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 。因为存在多个匹配规则时 ，协议或端口号来说无效 。
Google 会忽略 robots.txt 文件中的无效行 ，
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。robots.txt 文件是一个简单的文本文件 ，可以创建包含相应规则的 robots.txt 文件。这些指令始终以 directive: [path] 的形式指定 ，
和其他网址一样 ，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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
user-agent 行的值不区分大小写 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，缓存时间可能会延长 。结尾的通配符会被忽略
。
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
disallow ：不可抓取的网址路径 。响应无效 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、系统会忽略行开头和结尾的空格 。有关原始草稿标准的信息 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||
| 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 。 如果指定了 [path] 值，
| ||||||||||||