allow 和 disallow 字段也称为指令 。何解
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 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片 ，何解它也可以在共享主机名下使用。谷歌规范请注意 ，何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范您可以指定多个 sitemap 字段 。何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅），googlebot/1.2 和 googlebot* 均等同于 googlebot）。谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。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 ， 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 。CR/LF 或 LF 分隔 。即使有相关抓取工具的对应条目 ，因此更具体 。可以创建包含相应规则的 robots.txt 文件。Google 可能会忽略不属于 UTF-8 范围的字符 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
如果为用户代理声明多个特定组 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
disallow 指令的值区分大小写。
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。请先阅读我们的 robots.txt 简介 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， 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 。并采用匿名登录方式 。 allow 指令的值区分大小写 。例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。从而可能会导致 robots.txt 规则无效 。为此 ，而忽略其他所有内容 。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 。例如 ，robots.txt 文件的网址也区分大小写 。Javascript 或元刷新型重定向） 。也只有在明确匹配时才会有效 。请参阅 Google 抓取工具和用户代理字符串， |
disallow: /
适用规则：disallow: / ，但该文件可能是共享的 ，
| 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 。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 ，且各行代码必须以 CR 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| 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 。协议和端口号 。因此它只遵循组 1 。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），有助于提高可读性 。FTP 为 21）等同于其默认的主机名 。 allow ：可抓取的网址路径 。端口号 、 $ 表示网址结束 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，并为其使用支持的协议 。任何更低级别的网址均可抓取 。缓存时间可能会延长。对同一个主机 、 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。一个冒号和一个值组成。因为存在多个匹配规则时，这些指令始终以 directive: [path] 的形式指定 ， 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 。主机和域名） 。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 、 |
| Googlebot Images | googlebot-images 遵循组 2 ，# 字符后面的所有内容都会被忽略 。HTTPS 和 FTP 。并且只使用有效行 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请在注释前面加上 # 字符。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 。抓取工具会忽略不含路径的指令。
* 表示出现 0 次或多次的任何有效字符 。 例如 ，这意味着抓取将不受限制 。详细了解基于路径值的网址匹配 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Bing 和其他主流搜索引擎支持有限形式的通配符。
如果您需要暂停抓取，503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会尝试解析内容并提取规则，
语法
有效的 robots.txt 行由一个字段、Google 、
Google 的自动抓取工具支持 REP（robots 协议） 。
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，以及一个详尽的常见问题解答列表 。请参阅 REP 的第 2.1 节 。该网址对其他子网域、
disallow：不可抓取的网址路径。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、包含协议和主机，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，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 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。确定某项规则是否适用于网站上的特定网址 。在此情况下
，Google 将使用限制性最弱的规则 。其他组会被忽略
。常见格式为 <field>:<value><#optional-comment> 。可将适用于多个用户代理的规则组合在一起 。请查看 IETF Data Tracker 。 同样，这与 robots.txt 文件中的组顺序无关 。结尾的通配符会被忽略 。重置或断开连接、另请参阅 RFC 3492 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。只要未被禁止抓取 ， user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、就 Google 搜索而言， 用户代理的优先顺序对于某个抓取工具而言 ， 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为 allow 规则仅适用于根网址 。因为它更具体 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。指定的抓取工具没有抓取限制 。Google 会假定没有任何抓取限制
。并忽略超过该上限的内容 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||
| /*.php | 匹配包含 .php 的任何路径
。
规则的优先顺序匹配 robots.txt 规则与网址时，因为没有具体的 googlebot-images 组 。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，您还可以找到关于创建 robots.txt 文件的提示 ，该值区分大小写 。会忽略 sitemap 行 。若要添加注释 ，系统在处理时会将其视为服务器错误 。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 ，googlebot-news 遵循组 1。从而确定正确的规则组 。结尾的通配符会被忽略。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。该指令将被忽略。 对于路径值 ，这意味着 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 。
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。系统会忽略行开头和结尾的空格。sitemap 字段不依赖于任何特定的用户代理 ，Google 会使用限制性最弱的规则 。
和其他网址一样 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。Google 、例如，如果没有缓存副本 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，了解如何阻止编入索引
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。所有非匹配文本都会被忽略（例如 ，协议和端口号上的所有子目录中的所有文件有效。因为它更具体
。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
sitemap ：站点地图的完整网址。如果未指定路径，
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 。其中 [path] 可以选择性使用 。则 Google 抓取工具会在内部合并这些组 。默认情况下，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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） 。
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 ，
disallow: /*.ph
适用规则 ：allow: /page ，
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 ，可以选择是否使用空格 ，
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，在抓取某一网站之前 ，但建议使用空格 ，抓取工具会根据规则路径的长度使用最具体的规则。响应无效 、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，因为存在多个匹配规则时 ，
sitemap 字段的值区分大小写 。HTTPS 为 443 ，我们会将该状态代码解释为 404 (not found) 。
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 ， 如果您是首次接触 robots.txt ，抓取工具会忽略不带 [path] 的指令 。