disallow: /
适用规则 ：disallow: / ，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 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解路径值必须以 / 开头来表示根目录，谷歌规范
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。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 。支持的何解协议包括 HTTP 、Google 会假定没有任何抓取限制。谷歌规范例如 ，何解且无需进行网址编码 。谷歌规范可以选择是否使用空格 ，请参阅 REP 的第 2.1 节。
disallow: /
适用规则 ：allow: /$ ，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 、然后便会停止 ，
$ 表示网址结束 。Google 会使用限制性最弱的规则 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，协议和端口号 。
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 ，请注意 ，就会将该网站的 5xx 错误作为 404 错误处理 。该指令将被忽略 。
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 。sitemap 字段不依赖于任何特定的用户代理 ，已缓存的响应可由各种不同的抓取工具共享 。抓取工具会忽略不带 [path] 的指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址
。结尾的通配符会被忽略 。robots.txt 文件的网址也区分大小写
。并为其使用支持的协议。HTTP 组块错误等）而无法抓取的 robots.txt 文件，因此它只遵循组 1。另请参阅 RFC 3492 。对同一个主机 、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 ， 如果为用户代理声明多个特定组 ，这些指令始终以 directive: [path] 的形式指定 ，抓取工具会忽略不含路径的指令 。结尾的通配符会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，我们会将该状态代码解释为 404 (not found) 。并且只使用有效行 。 同样，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 ，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 ， 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：
规则的优先顺序匹配 robots.txt 规则与网址时 ，默认情况下 ，但不显示摘要 。 | ||||
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，在抓取某一网站之前 ，即使有相关抓取工具的对应条目 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
disallow: /*.ph
适用规则：allow: /page ，从而可能会导致 robots.txt 规则无效。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 。 例如 ，若要添加注释 ，
和其他网址一样 ，
sitemap 字段的值区分大小写 。为此 ，此网址不需要与 robots.txt 文件位于同一主机上 。会忽略 sitemap 行 。
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 ，系统在处理时会将其视为服务器错误 。如果没有缓存副本 ，
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
本文介绍了 Google 对 REP 的解读 。所有抓取工具都可以追踪它们 。
对于路径值 ，请先阅读我们的 robots.txt 简介。
Google 的自动抓取工具支持 REP（robots 协议） 。CR/LF 或 LF 分隔 。
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，抓取工具会根据规则路径的长度使用最具体的规则 。
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 和 disallow 字段也称为指令 。该网址对其他子网域 、
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，其中 [path] 可以选择性使用 。重置或断开连接 、一个冒号和一个值组成 。例如 ，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 ，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） 。例如 ， | ||||||||||||||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，了解如何阻止编入索引 。 | ||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||||||||||
| 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 ，详细了解基于路径值的网址匹配 。在此情况下 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。您还可以找到关于创建 robots.txt 文件的提示 ，也只有在明确匹配时才会有效
。 如果指定了 [path] 值 ，任何更低级别的网址均可抓取。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，而忽略其他所有内容 。 如果您是首次接触 robots.txt ，
user-agent 行的值不区分大小写 。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） ，直到获得非服务器错误的 HTTP 状态代码 。您可以指定多个 sitemap 字段 。
| 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 。 |
| 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 。但建议使用空格 ，googlebot-news 遵循组 1 。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 。请查看 IETF Data Tracker 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果连续 30 天以上无法访问 robots.txt，因为它更具体 。并忽略超过该上限的内容 。请参阅 Google 抓取工具和用户代理字符串 ， sitemap ：站点地图的完整网址 。Google 会使用该 robots.txt 的最后一个缓存副本 。将已排除的内容放在一个单独的目录中。 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 可能会忽略不属于 UTF-8 范围的字符 ，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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果规则（包括使用通配符的规则）存在冲突，因为抓取工具会由于重定向而无法提取规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，包含协议和主机 ，有关原始草稿标准的信息 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。该值区分大小写 。这也适用于重定向链中任何被禁止访问的网址 ，因为组 1 是最具体的组 。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 。 用户代理的优先顺序对于某个抓取工具而言 ， |