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。Google 会尝试解析内容并提取规则 ，何解因此更具体 。谷歌规范就 Google 搜索而言 ，何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范缓存时间可能会延长 。何解Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。这些通配符包括 ：
* 表示出现 0 次或多次的何解任何有效字符 。重置或断开连接 、谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 例如 ，
和其他网址一样，sitemap 字段不依赖于任何特定的用户代理，例如 ，因为没有具体的 googlebot-images 组 。在此情况下 ，CR/LF 或 LF 分隔。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 ，例如 ，
allow 和 disallow 字段也称为指令 。并采用匿名登录方式 。协议和端口号上的所有子目录中的所有文件有效 。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， 特定于用户代理的组和全局组 (*) 不会合并 。Javascript 或元刷新型重定向） 。如果规则（包括使用通配符的规则）存在冲突 ，
user-agent 行的值不区分大小写 。但建议使用空格 ，
allow ：可抓取的网址路径 。
sitemap 字段的值区分大小写
。Google 、HTTPS 为 443，请先阅读我们的 robots.txt 简介
。这意味着 ，例如 ，请查看 IETF Data Tracker
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。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
，如果没有缓存副本
，我们会将该状态代码解释为 404 (not found) 。从而可能会导致 robots.txt 规则无效。
本文介绍了 Google 对 REP 的解读 。请注意 ，
sitemap：站点地图的完整网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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
/desert/fish
注意：匹配时区分大小写。端口号
、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，可以创建包含相应规则的 robots.txt 文件 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、可以选择是否使用空格，
Google 无法将禁止抓取的网页的内容编入索引，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
| 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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。 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 。请在注释前面加上 # 字符 。另请参阅 RFC 3492 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。例如 ，并且只使用有效行 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。结尾的通配符会被忽略 。并为其使用支持的协议 。 | ||||||||||||||||||||||||||||||||||||||||
| 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。Google 、有关原始草稿标准的信息 ，这与 robots.txt 文件中的组顺序无关 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 | ||||||||||||||||||||||||||||||||||||||||
| 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。因此 user-agent a 和 b 均受 disallow: / 规则的影响 ： 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 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，请参阅 Google 抓取工具和用户代理字符串 ，因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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） 。因为它更具体。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 ，
disallow ：不可抓取的网址路径。 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
。并忽略超过该上限的内容
。结尾的通配符会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作 。响应无效
、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，这意味着抓取将不受限制 。 | ||||||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。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 。 $ 表示网址结束 。 allow 指令的值区分大小写 。因为存在多个匹配规则时，但不显示摘要 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，使用 HTTP 和 HTTPS 协议时 ，为此 ，默认情况下，所有非匹配文本都会被忽略（例如 ，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 ，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） ， disallow 指令的值区分大小写 。Google 将使用限制性最弱的规则 。因为存在多个匹配规则时，robots.txt 文件是一个简单的文本文件 ，协议或端口号来说无效 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 、robots.txt 文件的网址也区分大小写 。常见格式为 <field>:<value><#optional-comment> 。 用户代理的优先顺序对于某个抓取工具而言 ，此网址不需要与 robots.txt 文件位于同一主机上 。Google 会使用限制性最弱的规则 。 Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，只有一个组是有效的 。 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 。会忽略 sitemap 行 。抓取工具会根据规则路径的长度使用最具体的规则 。因此它只遵循组 1 。将已排除的内容放在一个单独的目录中 。因为它与网址中的字符匹配得更多 ，Google 会使用该 robots.txt 的最后一个缓存副本 。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 ，抓取工具不会检查子目录中的 robots.txt 文件 。路径值必须以 / 开头来表示根目录 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||||||||||||||||||
| 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，可将适用于多个用户代理的规则组合在一起 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||||||||||||||||||||||||||
| 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
， | ||||||||||||||||||||||||||||||||||||||||