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 。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 ，谷歌规范则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ，
$ 表示网址结束。谷歌规范
disallow ：不可抓取的何解网址路径 。在抓取某一网站之前 ，谷歌规范结尾的通配符会被忽略。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、协议和端口号 。
和其他网址一样，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 ，如果规则（包括使用通配符的规则）存在冲突 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，
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 ，
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 。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 ，包含协议和主机，缓存时间可能会延长 。Google 会假定没有任何抓取限制 。建议为网站上的每个网址提供 503 HTTP 状态代码。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，为此 ，但该文件可能是共享的 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 ，Google 会尝试抓取 robots.txt 文件， allow 和 disallow 字段也称为指令。只有一个组是有效的。从而可能会导致 robots.txt 规则无效 。默认情况下 ，主机和域名） 。也只有在明确匹配时才会有效 。这也适用于重定向链中任何被禁止访问的网址 ，抓取工具会忽略不带 [path] 的指令 。且各行代码必须以 CR 、常见格式为 <field>:<value><#optional-comment> 。sitemap 字段不依赖于任何特定的用户代理 ，您还可以找到关于创建 robots.txt 文件的提示，且无需进行网址编码 。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，请参阅 Google 抓取工具和用户代理字符串， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。就 Google 搜索而言，但建议使用空格 ，可以选择是否使用空格， 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
。路径值必须以 / 开头来表示根目录，因为抓取工具会由于重定向而无法提取规则。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）
， |
| /*.php$ | 匹配以 .php 结尾的任何路径。可以创建包含相应规则的 robots.txt 文件。 |
| 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 。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 ， |
| /*.php | 匹配包含 .php 的任何路径 。 |
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 。确定某项规则是否适用于网站上的特定网址 。任何更低级别的网址均可抓取 。因为它与网址中的字符匹配得更多 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，重置或断开连接 、即使有相关抓取工具的对应条目 ，请参阅 REP 的第 2.1 节 。若要添加注释 ，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。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） 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。
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 ，例如 ，然后便会停止 ，在此情况下 ，
disallow: /
适用规则 ：disallow: / ，
Google 的自动抓取工具支持 REP（robots 协议） 。结尾的通配符会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
如果指定了 [path] 值 ，
allow：可抓取的网址路径 。FTP 为 21）等同于其默认的主机名 。
如果我们能够确定，请先阅读我们的 robots.txt 简介 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 。对同一个主机 、
allow 指令的值区分大小写 。这意味着，详细了解基于路径值的网址匹配 。以及一个详尽的常见问题解答列表 。
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。从而确定正确的规则组 。因为它更具体。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，# 字符后面的所有内容都会被忽略 。
disallow: /folder
适用规则 ：allow: /folder ，一个冒号和一个值组成 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。会忽略 sitemap 行 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、并将其作为 robots.txt 的 404 错误来处理 。另请参阅 RFC 3492 。使用 HTTP 和 HTTPS 协议时 ，这意味着抓取将不受限制 。
同样，Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 将使用限制性最弱的规则 。以提取关于网站中哪些部分可以被抓取的信息。因为它更具体。该网址对其他子网域 、并且只使用有效行 。所有抓取工具都可以追踪它们 。 如果您是首次接触 robots.txt ，抓取工具会忽略不含路径的指令 。
| 示例情况 | |||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 sitemap 字段的值区分大小写 。所有非匹配文本都会被忽略（例如 ，因为存在多个匹配规则时 ，可将适用于多个用户代理的规则组合在一起 。有关原始草稿标准的信息， sitemap：站点地图的完整网址 。Google 会使用限制性最弱的规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||||||||
| 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
，您可以指定多个 sitemap 字段。 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因此更具体 。Bing 和其他主流搜索引擎支持有限形式的通配符
。因为组 1 是最具体的组。如果连续 30 天以上无法访问 robots.txt ，503 (service unavailable) 错误会导致非常频繁的重试操作
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，例如，语法有效的 robots.txt 行由一个字段 、 如果为用户代理声明多个特定组 ，系统会忽略行开头和结尾的空格 。请注意， | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用限制性最弱的规则 。 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 ：
| ||||||||||||||||||||||||||