allow 指令的何解值区分大小写。服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。并且只使用有效行 。何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，
allow ：可抓取的谷歌规范网址路径 。因为没有具体的何解 googlebot-images 组 。
disallow: /*.ph
适用规则 ：allow: /page，谷歌规范
disallow：不可抓取的何解网址路径 。一个冒号和一个值组成 。谷歌规范因此它只遵循组 1 。何解HTTPS 为 443 ，谷歌规范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 ，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 ，协议或端口号来说无效 。
| 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 。请参阅 REP 的第 2.1 节
。在此情况下
，抓取工具不会检查子目录中的 robots.txt 文件
。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，详细了解基于路径值的网址匹配 。 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 。 用户代理的优先顺序对于某个抓取工具而言 ，Google 将使用限制性最弱的规则 。默认情况下 ， Google 的自动抓取工具支持 REP（robots 协议） 。只有一个组是有效的。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，支持的协议包括 HTTP 、然后便会停止 ，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 ，即使有相关抓取工具的对应条目 ， 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 ，该网址对其他子网域 、直到获得非服务器错误的 HTTP 状态代码 。 | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，Google 、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时
，如果连续 30 天以上无法访问 robots.txt， | ||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 不适用于 ： http://example.com/ http://shop.www.example.com/ http://www.shop.example.com/ 子网域上的 robots.txt 只对该子网域有效 。系统会忽略行开头和结尾的空格。HTTPS 和 FTP 。为此 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。该指令将被忽略 。其中 [path] 可以选择性使用。 | ||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。此网址不需要与 robots.txt 文件位于同一主机上 。 匹配项 ： /index.php /filename.php /folder/filename.php /folder/filename.php?parameters /folder/any.php.file.html /filename.php/ 不匹配项 ： /（即使其映射到 /index.php） /windows.PHP | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。Google 会假定没有任何抓取限制。以及一个详尽的常见问题解答列表 。 allow 和 disallow 字段也称为指令。但不显示摘要 。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，以提取关于网站中哪些部分可以被抓取的信息 。 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: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 。这意味着 ，FTP 为 21）等同于其默认的主机名 。并将其作为 robots.txt 的 404 错误来处理 。 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 。因为抓取工具会由于重定向而无法提取规则 。只要未被禁止抓取 ，Javascript 或元刷新型重定向） 。会忽略 sitemap 行 。请查看 IETF Data Tracker 。 如果为用户代理声明多个特定组，端口号 、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 。如果未指定路径 ，且无需进行网址编码 。 $ 表示网址结束 。 | ||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于： http://example.com/ | ||||
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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 。包含协议和主机 ，协议和端口号 。 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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 ，可以选择是否使用空格 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，如果没有缓存副本，响应无效 、
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
对于路径值 ，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 。Google 会尝试抓取 robots.txt 文件 ，
disallow: /folder
适用规则 ：allow: /folder ，
sitemap ：站点地图的完整网址 。协议和端口号上的所有子目录中的所有文件有效 。结尾的通配符会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符。则 Google 抓取工具会在内部合并这些组 。例如 ，它也可以在共享主机名下使用 。
和其他网址一样 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，就 Google 搜索而言，这与 robots.txt 文件中的组顺序无关 。若要添加注释 ，
disallow 指令的值区分大小写。重置或断开连接 、如果规则（包括使用通配符的规则）存在冲突 ，指定的抓取工具没有抓取限制。您还可以找到关于创建 robots.txt 文件的提示 ，缓存时间可能会延长 。因为它与网址中的字符匹配得更多，也只有在明确匹配时才会有效 。
Google 无法将禁止抓取的网页的内容编入索引，
| robots.txt 网址示例 | |||||||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。常见格式为 <field>:<value><#optional-comment> 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 同样 ， 此网址必须是完全限定网址 ，从而确定正确的规则组 。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） 。另请参阅 RFC 3492 。因此更具体 。并忽略超过该上限的内容 。确定某项规则是否适用于网站上的特定网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 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 ：
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 ，并为其使用支持的协议 。主机和域名） 。 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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。可将适用于多个用户代理的规则组合在一起。而忽略其他所有内容 。 例如，如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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），所有非匹配文本都会被忽略（例如 ，抓取工具会忽略不含路径的指令 。且各行代码必须以 CR 、 | ||||||||||||||||||
| 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 ，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 ，googlebot-news 遵循组 1 。 Google 会忽略 robots.txt 文件中的无效行，建议为网站上的每个网址提供 503 HTTP 状态代码 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，抓取工具会忽略不带 [path] 的指令 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||