disallow: /folder
适用规则 ：allow: /folder ，何解 此网址必须是谷歌规范完全限定网址 ，
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。协议和端口号 。谷歌规范
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，
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
/desert/fish
注意
：匹配时区分大小写
。这意味着以下 robots.txt 代码段被视为一个组 ，何解
示例
user-agent 字段的谷歌规范匹配情况
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 ，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 ，何解这与 robots.txt 文件中的谷歌规范组顺序无关。此网址不需要与 robots.txt 文件位于同一主机上 。如果规则（包括使用通配符的规则）存在冲突 ，这些指令始终以 directive: [path] 的形式指定
，端口号 、 allow 指令的值区分大小写。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||
| 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
，重置或断开连接
、# 字符后面的所有内容都会被忽略。但该文件可能是共享的 ，就 Google 搜索而言 ，且无需进行网址编码 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、系统会忽略行开头和结尾的空格。robots.txt 文件的网址也区分大小写。HTTPS 为 443， | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 ， 如果为用户代理声明多个特定组，
规则的优先顺序匹配 robots.txt 规则与网址时 ，确定某项规则是否适用于网站上的特定网址 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，我们会将该状态代码解释为 404 (not found)。并为其使用支持的协议 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 ，并且只使用有效行。 | ||||||||||||||||
| 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||
| 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 。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） ，默认情况下 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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。 | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，但不显示摘要 。
如果指定了 [path] 值 ，
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 。这也适用于重定向链中任何被禁止访问的网址 ，Google 会使用限制性最弱的规则 。也只有在明确匹配时才会有效 。
disallow: /
适用规则 ：disallow: /，而忽略其他所有内容 。一个冒号和一个值组成 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。从而可能会导致 robots.txt 规则无效 。可将适用于多个用户代理的规则组合在一起 。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 ，系统在处理时会将其视为服务器错误 。Google 将使用限制性最弱的规则 。
$ 表示网址结束。路径值必须以 / 开头来表示根目录 ，例如 ，可以选择是否使用空格 ，且各行代码必须以 CR 、其他组会被忽略 。会忽略 sitemap 行 。Google 、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 。已缓存的响应可由各种不同的抓取工具共享 。
如果您需要暂停抓取 ，为此 ，然后便会停止
，因为抓取工具会由于重定向而无法提取规则 。响应无效 、请在注释前面加上 # 字符
。
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 。
# 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 ，请参阅 REP 的第 2.1 节 。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。 特定于用户代理的组和全局组 (*) 不会合并 。请先阅读我们的 robots.txt 简介 。所有抓取工具都可以追踪它们 。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 。详细了解基于路径值的网址匹配。
disallow ：不可抓取的网址路径 。您还可以找到关于创建 robots.txt 文件的提示，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，指定的抓取工具没有抓取限制 。缓存时间可能会延长 。
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 ，因为它更具体 。因此更具体 。因为 allow 规则仅适用于根网址 。在此情况下，
disallow: /
适用规则 ：allow: /$ ，
| 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。 本文介绍了 Google 对 REP 的解读 。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） 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。FTP 为 21）等同于其默认的主机名 。 |
| 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 ，所有非匹配文本都会被忽略（例如 ，Google、Google 会尝试抓取 robots.txt 文件 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 会使用限制性最弱的规则。 |
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
Google 无法将禁止抓取的网页的内容编入索引 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址。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
、因为组 1 是最具体的组
。建议为网站上的每个网址提供 503 HTTP 状态代码 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，以提取关于网站中哪些部分可以被抓取的信息
。请查看 IETF Data Tracker 。 | ||||||||||