用法：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。且无需进行网址编码 。何解即使有相关抓取工具的谷歌规范对应条目 ，
Google 无法将禁止抓取的何解网页的内容编入索引 ，sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，例如，何解请注意 ，谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。Google 会尝试解析内容并提取规则 ，谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解
Google 的谷歌规范自动抓取工具支持 REP（robots 协议）。
用户代理的何解优先顺序
对于某个抓取工具而言 ，会忽略 sitemap 行 。谷歌规范结尾的何解通配符会被忽略 。
sitemap ：站点地图的谷歌规范完整网址 。googlebot-news 遵循组 1 。有关原始草稿标准的信息，协议和端口号上的所有子目录中的所有文件有效 。您还可以找到关于创建 robots.txt 文件的提示，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为 allow 规则仅适用于根网址 。抓取工具会忽略不含路径的指令。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。所有抓取工具都可以追踪它们 。
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，任何更低级别的网址均可抓取。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，其他组会被忽略。这也适用于重定向链中任何被禁止访问的网址 ，路径值必须以 / 开头来表示根目录，我们会将该状态代码解释为 404 (not found) 。
sitemap 字段的值区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。并忽略超过该上限的内容。
allow 指令的值区分大小写。从而可能会导致 robots.txt 规则无效。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
如果为用户代理声明多个特定组 ，例如 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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
，# 字符后面的所有内容都会被忽略 。有助于提高可读性 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这意味着抓取将不受限制 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，并为其使用支持的协议 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。只要未被禁止抓取 ， |
| 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 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此它只遵循组 1 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。 同样 ，指定的抓取工具没有抓取限制 。 googlebot-news 不会为 Google 图片抓取图片，该指令将被忽略。将已排除的内容放在一个单独的目录中 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，已缓存的响应可由各种不同的抓取工具共享 。HTTPS 和 FTP 。它也可以在共享主机名下使用 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 allow ：可抓取的网址路径 。如果未指定路径，这意味着以下 robots.txt 代码段被视为一个组，系统会忽略行开头和结尾的空格。这与 robots.txt 文件中的组顺序无关。 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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。支持的协议包括 HTTP 、若要添加注释 ， |
| 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 。因为它与网址中的字符匹配得更多 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、FTP 为 21）等同于其默认的主机名
。这意味着， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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 。
disallow 指令的值区分大小写 。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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。 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
。Google 、 如果指定了 [path] 值， |
| 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。 $ 表示网址结束 。 |
| 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 。可以选择是否使用空格，例如 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，而忽略其他所有内容 。
disallow: /*.ph
适用规则 ：allow: /page，主机和域名） 。因为它更具体 。Google 会尝试抓取 robots.txt 文件 ，但不显示摘要 。Google 会使用限制性最弱的规则 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，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。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。包含协议和主机 ，
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 。如果规则（包括使用通配符的规则）存在冲突 ，
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，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 ，
disallow: /folder
适用规则 ：allow: /folder ，
disallow ：不可抓取的网址路径 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为没有具体的 googlebot-images 组 。
如果您需要暂停抓取 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 和 disallow 字段也称为指令 。详细了解基于路径值的网址匹配。端口号、可将适用于多个用户代理的规则组合在一起 。 如果您是首次接触 robots.txt ，该网址对其他子网域 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，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，结尾的通配符会被忽略。就 Google 搜索而言，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但建议使用空格 ，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 ，
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，直到获得非服务器错误的 HTTP 状态代码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，系统在处理时会将其视为服务器错误 。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 、在此情况下 ，则 Google 抓取工具会在内部合并这些组 。Google 将使用限制性最弱的规则。如果 robots.txt 文件的字符编码不是 UTF-8 ， 例如 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。并采用匿名登录方式。默认情况下，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 此网址必须是完全限定网址 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
本文介绍了 Google 对 REP 的解读。
如果我们能够确定 ，抓取工具会忽略不带 [path] 的指令
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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。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 ，响应无效 、因为组 1 是最具体的组 。从而确定正确的规则组。
Google 会忽略 robots.txt 文件中的无效行 ，
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，也只有在明确匹配时才会有效。如果连续 30 天以上无法访问 robots.txt，在抓取某一网站之前 ，并将其作为 robots.txt 的 404 错误来处理 。因为它更具体 。确定某项规则是否适用于网站上的特定网址 。抓取工具会根据规则路径的长度使用最具体的规则 。
对于路径值，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 。使用 HTTP 和 HTTPS 协议时 ，协议和端口号 。Google 会假定没有任何抓取限制 。
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
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 。以提取关于网站中哪些部分可以被抓取的信息 。
| 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。缓存时间可能会延长 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，所有非匹配文本都会被忽略（例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 和其他网址一样 ，抓取工具不会检查子目录中的 robots.txt 文件 。
| ||||||||||||