如果我们能够确定 ，谷歌规范
allow 和 disallow 字段也称为指令。何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范
不适用于： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。其中 [path] 可以选择性使用 。谷歌规范
如果您需要暂停抓取 ，何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ， 此网址必须是何解完全限定网址 ，例如 ，谷歌规范FTP 为 21）等同于其默认的何解主机名 。
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范并忽略超过该上限的何解内容 。因为没有具体的谷歌规范 googlebot-images 组 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。您还可以找到关于创建 robots.txt 文件的提示，这意味着抓取将不受限制 。Google 将使用限制性最弱的规则 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
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 ，
| 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 。只要未被禁止抓取 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。可以选择是否使用空格 ，有助于提高可读性 。若要添加注释 ， | ||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，对同一个主机 、详细了解基于路径值的网址匹配。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，重置或断开连接 、因为它与网址中的字符匹配得更多 ， 如果为用户代理声明多个特定组，也只有在明确匹配时才会有效 。因为它更具体 。 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 ，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 ，并且只使用有效行 。请在注释前面加上 # 字符 。并将其作为 robots.txt 的 404 错误来处理 。 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。sitemap 字段不依赖于任何特定的用户代理 ，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） 。 | ||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， Google 无法将禁止抓取的网页的内容编入索引 ，系统在处理时会将其视为服务器错误 。Google 会尝试解析内容并提取规则，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 ，就 Google 搜索而言 ， | ||||||||||||||||||||||||||||
| 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 。协议或端口号来说无效 。 | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。Google 可能会忽略不属于 UTF-8 范围的字符 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 | ||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
disallow: /folder
适用规则 ：allow: /folder ，协议和端口号 。该网址对其他子网域 、
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 ，CR/LF 或 LF 分隔。请先阅读我们的 robots.txt 简介 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，然后便会停止 ，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 。例如 ，结尾的通配符会被忽略 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 如果您是首次接触 robots.txt ，如果未指定路径 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。并采用匿名登录方式 。
$ 表示网址结束 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
和其他网址一样 ，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 。
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。抓取工具会忽略不带 [path] 的指令 。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 ，结尾的通配符会被忽略 。如果规则（包括使用通配符的规则）存在冲突，请参阅 REP 的第 2.1 节 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Javascript 或元刷新型重定向） 。如果没有缓存副本，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google
、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、 特定于用户代理的组和全局组 (*) 不会合并 。Google 会假定没有任何抓取限制 。
Google 的自动抓取工具支持 REP（robots 协议）。因此它只遵循组 1 。从而可能会导致 robots.txt 规则无效 。
同样 ， 例如 ，Google 会尝试抓取 robots.txt 文件，抓取工具会根据规则路径的长度使用最具体的规则 。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 ，
allow ：可抓取的网址路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此更具体。因为组 1 是最具体的组。如果连续 30 天以上无法访问 robots.txt
，任何更低级别的网址均可抓取。googlebot-news 遵循组 1 。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） ，即使有相关抓取工具的对应条目，确定某项规则是否适用于网站上的特定网址
。
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 。以提取关于网站中哪些部分可以被抓取的信息 。抓取工具不会检查子目录中的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
# 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 ，因为 allow 规则仅适用于根网址 。有关原始草稿标准的信息 ，会忽略 sitemap 行 。HTTPS 为 443 ，
对于路径值 ，支持的协议包括 HTTP 、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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，默认情况下，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。直到获得非服务器错误的 HTTP 状态代码 。robots.txt 文件的网址也区分大小写 。Google 会使用该 robots.txt 的最后一个缓存副本 。 本文介绍了 Google 对 REP 的解读。 |
| /fish | 匹配以 /fish 开头的任何路径 。该值区分大小写 。 user-agent 行的值不区分大小写。 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 。但该文件可能是共享的 ， |
| 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
， 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。主机和域名）。则 Google 抓取工具会在内部合并这些组。 |
| Googlebot News（抓取图片时） | 抓取图片时
， sitemap 字段的值区分大小写
。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，为此 ， 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://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，# 字符后面的所有内容都会被忽略 。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 、端口号、请注意 ，常见格式为 <field>:<value><#optional-comment> 。所有抓取工具都可以追踪它们 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。该指令将被忽略 。这也适用于重定向链中任何被禁止访问的网址 ，包含协议和主机 ， 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 。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 延伸阅读金山办公将在7月中旬发布WPS Comate，直击企业AI“落地难”宁夏：为山川“画像” 构筑防汛数字屏障天然地基与处理地基的施工及验收——解读《GB55003女排大奖赛总决赛赛程 中国女排vs巴西女排赛后分析全国多地同步开展罚没走私烟草集中销毁活动生长激素并非“增高神药” 盲目注射带来健康隐患22G815：建筑结构抗浮锚杆宁夏：为山川“画像” 构筑防汛数字屏障 |