disallow: /folder
适用规则：allow: /folder ，谷歌规范例如 ：
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，何解响应无效 、谷歌规范包含协议和主机，何解
同样 ，谷歌规范
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，
如果指定了 [path] 值 ，并采用匿名登录方式 。
对于路径值 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，则 Google 抓取工具会在内部合并这些组 。
allow 和 disallow 字段也称为指令 。Google 会使用限制性最弱的规则 。Google 将使用限制性最弱的规则 。另请参阅 RFC 3492。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） 。
disallow: /*.ph
适用规则 ：allow: /page ，从而确定正确的规则组 。
disallow: /
适用规则 ：disallow: / ，
如果为用户代理声明多个特定组 ，请查看 IETF Data Tracker。该值区分大小写 。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 ，如果未指定路径，
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。可将适用于多个用户代理的规则组合在一起 。
disallow ：不可抓取的网址路径 。
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 。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、HTTPS 为 443 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Javascript 或元刷新型重定向） 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，其他组会被忽略 。并且只使用有效行 。
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 。因此更具体 。已缓存的响应可由各种不同的抓取工具共享 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。使用 HTTP 和 HTTPS 协议时，如果连续 30 天以上无法访问 robots.txt，并将其作为 robots.txt 的 404 错误来处理
。并为其使用支持的协议 。若要添加注释 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置
。一个冒号和一个值组成 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），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 。HTTPS 和 FTP。协议或端口号来说无效 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。即使有相关抓取工具的对应条目，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这意味着抓取将不受限制 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 。
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 ， 和其他网址一样 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、默认情况下 ， | ||||||||||||||||||||
| /fish* | 等同于 /fish
。
| ||||||||||||||||||||
| 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。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 ， sitemap 字段的值区分大小写 。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 。 user-agent 行的值不区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件 。可以创建包含相应规则的 robots.txt 文件。 | ||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
sitemap：站点地图的完整网址。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 此网址必须是完全限定网址，
如果您需要暂停抓取 ，就 Google 搜索而言 ，该网址对其他子网域、
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。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 ，因为它更具体 。有助于提高可读性 。Google 、但建议使用空格 ，结尾的通配符会被忽略 。例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。CR/LF 或 LF 分隔。了解如何阻止编入索引 。只要未被禁止抓取 ，
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 。因为它更具体 。协议和端口号上的所有子目录中的所有文件有效。从而可能会导致 robots.txt 规则无效 。但该文件可能是共享的 ， 例如 ，所有非匹配文本都会被忽略（例如 ，您还可以找到关于创建 robots.txt 文件的提示 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
如果我们能够确定 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，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），在抓取某一网站之前，
disallow: /
适用规则 ：allow: /$ ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。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。这与 robots.txt 文件中的组顺序无关。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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，此网址不需要与 robots.txt 文件位于同一主机上 。Google 会尝试抓取 robots.txt 文件，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为组 1 是最具体的组 。且各行代码必须以 CR、我们会将该状态代码解释为 404 (not found) 。
本文介绍了 Google 对 REP 的解读 。以及一个详尽的常见问题解答列表 。
| 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
。 allow 指令的值区分大小写 。其中 [path] 可以选择性使用。所有抓取工具都可以追踪它们 。请参阅 Google 抓取工具和用户代理字符串 ，详细了解基于路径值的网址匹配。 用户代理的优先顺序对于某个抓取工具而言，直到获得非服务器错误的 HTTP 状态代码 。请在注释前面加上 # 字符 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3。这也适用于重定向链中任何被禁止访问的网址 ，sitemap 字段不依赖于任何特定的用户代理，路径值必须以 / 开头来表示根目录 ，重置或断开连接
、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 ，就会将该网站的 5xx 错误作为 404 错误处理。将已排除的内容放在一个单独的目录中。 | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。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
，例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，支持的协议包括 HTTP 、Google 会假定没有任何抓取限制 。 Google 会忽略 robots.txt 文件中的无效行，503 (service unavailable) 错误会导致非常频繁的重试操作 。这些指令始终以 directive: [path] 的形式指定 ，常见格式为 <field>:<value><#optional-comment> 。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 ，会忽略 sitemap 行。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会使用限制性最弱的规则 。 | ||||
| 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
，
| ||||