disallow: /folder
适用规则 ：allow: /folder，何解但该文件可能是谷歌规范共享的 ，就会将该网站的何解 5xx 错误作为 404 错误处理 。
disallow: /*.ph
适用规则：allow: /page ，谷歌规范而忽略其他所有内容。何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码，robots.txt 文件是何解一个简单的文本文件 ，如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，如果规则（包括使用通配符的何解规则）存在冲突 ，disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。因为它更具体 。该网址对其他子网域、例如 ，
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 ，主机和域名）。HTTPS 为 443 ，因为存在多个匹配规则时 ，结尾的通配符会被忽略 。
Google 的自动抓取工具支持 REP（robots 协议） 。CR/LF 或 LF 分隔 。
* 表示出现 0 次或多次的任何有效字符 。会忽略 sitemap 行。
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，重置或断开连接、协议或端口号来说无效 。例如
，请注意
， 如果您需要暂停抓取 ，只有一个组是有效的。但不显示摘要 。抓取工具会根据规则路径的长度使用最具体的规则。googlebot-news 遵循组 1 。 user-agent 行的值不区分大小写。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，则 Google 抓取工具会在内部合并这些组 。 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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 sitemap 字段的值区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为抓取工具会由于重定向而无法提取规则 。 | ||||
| 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，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
。 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 ，但建议使用空格 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 和其他网址一样 ， | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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 。并将其作为 robots.txt 的 404 错误来处理。这意味着抓取将不受限制 。响应无效 、在此情况下 ，
语法
有效的 robots.txt 行由一个字段 、有助于提高可读性 。为此 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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 ，
本文介绍了 Google 对 REP 的解读 。Google 会使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效 。常见格式为 <field>:<value><#optional-comment> 。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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
disallow 指令的值区分大小写 。因为它与网址中的字符匹配得更多 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，请参阅 REP 的第 2.1 节 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 如果您是首次接触 robots.txt ，
如果我们能够确定 ，您还可以找到关于创建 robots.txt 文件的提示 ，
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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）。支持的协议包括 HTTP 、并忽略超过该上限的内容 。所有抓取工具都可以追踪它们 。例如 ，并且只使用有效行。因此它只遵循组 1 。端口号、sitemap 字段不依赖于任何特定的用户代理 ，robots.txt 文件的网址也区分大小写。
allow ：可抓取的网址路径 。将已排除的内容放在一个单独的目录中 。Google 、对同一个主机 、因为组 1 是最具体的组。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。请先阅读我们的 robots.txt 简介 。可将适用于多个用户代理的规则组合在一起 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
allow 和 disallow 字段也称为指令 。Google 会尝试抓取 robots.txt 文件 ，
| 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 。且无需进行网址编码 。# 字符后面的所有内容都会被忽略。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 。协议和端口号 。抓取工具会忽略不带 [path] 的指令 。因为它更具体 。结尾的通配符会被忽略 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，这与 robots.txt 文件中的组顺序无关 。 如果指定了 [path] 值 ， 特定于用户代理的组和全局组 (*) 不会合并 。 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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，我们会将该状态代码解释为 404 (not found) 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。Google 将使用限制性最弱的规则 。FTP 为 21）等同于其默认的主机名。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 ， | ||||||||||||||||
| /* | 等同于 / 。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） ， 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
。所有非匹配文本都会被忽略（例如， allow 指令的值区分大小写。Javascript 或元刷新型重定向）。
| ||||||||||||||||
| /fish* | 等同于 /fish 。 同样 ，Google 抓取工具会下载并解析该网站的 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 。这也适用于重定向链中任何被禁止访问的网址 ，若要添加注释 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，这意味着 ， sitemap：站点地图的完整网址 。 | ||||||||||||||||
| 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 ，并为其使用支持的协议 。Bing 和其他主流搜索引擎支持有限形式的通配符。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 例如 ，且各行代码必须以 CR、文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||
| 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 。详细了解基于路径值的网址匹配 。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 ， 如果为用户代理声明多个特定组 ，直到获得非服务器错误的 HTTP 状态代码 。其他组会被忽略 。该指令将被忽略 。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该值区分大小写 。 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 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。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，路径值必须以 / 开头来表示根目录 ，并采用匿名登录方式 。任何更低级别的网址均可抓取。指定的抓取工具没有抓取限制 。因为没有具体的 googlebot-images 组。抓取工具会忽略不含路径的指令。此网址不需要与 robots.txt 文件位于同一主机上 。就 Google 搜索而言 ， | ||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，