用法：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范
disallow：不可抓取的谷歌规范网址路径
。Bing 和其他主流搜索引擎支持有限形式的何解通配符 。因为存在多个匹配规则时
，谷歌规范协议或端口号来说无效
。请参阅 REP 的第 2.1 节 。就 Google 搜索而言 ，
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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，然后便会停止 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
disallow 指令的值区分大小写 。Google 会尝试抓取 robots.txt 文件，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，这些指令始终以 directive: [path] 的形式指定，并忽略超过该上限的内容 。您还可以找到关于创建 robots.txt 文件的提示 ，另请参阅 RFC 3492 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
$ 表示网址结束。
如果我们能够确定 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， googlebot-news 不会为 Google 图片抓取图片 ，抓取工具不会检查子目录中的 robots.txt 文件 。
如果为用户代理声明多个特定组 ，
allow 指令的值区分大小写 。例如，您可以指定多个 sitemap 字段 。
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /folder
适用规则 ：allow: /folder ，这意味着 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。已缓存的响应可由各种不同的抓取工具共享。因此它只遵循组 1 。
对于路径值 ，
和其他网址一样 ，
disallow: /*.ph
适用规则 ：allow: /page ，
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。有助于提高可读性 。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 ，主机和域名） 。Google 会使用该 robots.txt 的最后一个缓存副本 。若要添加注释 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。结尾的通配符会被忽略 。请先阅读我们的 robots.txt 简介。
Google 会忽略 robots.txt 文件中的无效行 ， 例如 ，因为它更具体。则 Google 抓取工具会在内部合并这些组。其中 [path] 可以选择性使用 。就会将该网站的 5xx 错误作为 404 错误处理。这也适用于重定向链中任何被禁止访问的网址 ，
同样 ，只有一个组是有效的 。
如果您需要暂停抓取 ，
| 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 。此网址不需要与 robots.txt 文件位于同一主机上 。 Google 无法将禁止抓取的网页的内容编入索引 ， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||
| 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 。 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 。 | ||||
| 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 ，会忽略 sitemap 行 。 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 。缓存时间可能会延长 。以及一个详尽的常见问题解答列表 。 | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。 sitemap 字段的值区分大小写 。 如果您是首次接触 robots.txt，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。重置或断开连接 、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 。Google 、 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。我们会将该状态代码解释为 404 (not found)。 user-agent 行的值不区分大小写 。使用 HTTP 和 HTTPS 协议时 ，它也可以在共享主机名下使用 。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 。 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，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 ，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） 。即使有相关抓取工具的对应条目 ，Google 会使用限制性最弱的规则 。这意味着以下 robots.txt 代码段被视为一个组 ，如果下载的内容是 Html 格式而非 robots.txt 规则，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、也只有在明确匹配时才会有效。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 | ||||||||
| 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
。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 | ||||||||
| /fish* | 等同于 /fish
。Google、从而确定正确的规则组 。并为其使用支持的协议 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。并将其作为 robots.txt 的 404 错误来处理。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，详细了解基于路径值的网址匹配
。支持的协议包括 HTTP 、包含协议和主机， 本文介绍了 Google 对 REP 的解读 。结尾的通配符会被忽略。Google 会使用限制性最弱的规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果未指定路径 ，任何更低级别的网址均可抓取 。 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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，但该文件可能是共享的 ，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） ， allow 和 disallow 字段也称为指令 。HTTPS 为 443 ，一个冒号和一个值组成 。 语法有效的 robots.txt 行由一个字段、 如果指定了 [path] 值 ， | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，例如 ，因为抓取工具会由于重定向而无法提取规则。可以选择是否使用空格，并且只使用有效行 。将已排除的内容放在一个单独的目录中 。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果没有缓存副本，抓取工具会忽略不带 [path] 的指令。请注意 ， | ||||||||
| 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 。 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 。robots.txt 文件的网址也区分大小写。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请在注释前面加上 # 字符 。该值区分大小写 。常见格式为 <field>:<value><#optional-comment> 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，因为 allow 规则仅适用于根网址 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，端口号
、 特定于用户代理的组和全局组 (*) 不会合并 。所有抓取工具都可以追踪它们 。
| ||||||||