allow 和 disallow 字段也称为指令 。谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。结尾的谷歌规范通配符会被忽略 。
sitemap ：站点地图的何解完整网址 。下面说明了抓取工具如何理解之前的谷歌规范 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 指令的值区分大小写
。
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
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，因为它更具体 。可以选择是否使用空格 ，
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，
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 。协议或端口号来说无效 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为抓取工具会由于重定向而无法提取规则 。
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 。路径值必须以 / 开头来表示根目录 ，这也适用于重定向链中任何被禁止访问的网址，
disallow: /*.ph
适用规则 ：allow: /page，
* 表示出现 0 次或多次的任何有效字符 。并将其作为 robots.txt 的 404 错误来处理 。
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 ， |
| 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 。协议和端口号 。有助于提高可读性。 如果为用户代理声明多个特定组 ，您还可以找到关于创建 robots.txt 文件的提示 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| Googlebot Images | googlebot-images 遵循组 2
，而忽略其他所有内容
。这意味着抓取将不受限制 。HTTPS 为 443 ， robots.txt 文件中列出的规则只适用于该文件所在的主机
、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， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，googlebot-news 遵循组 1。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
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 ，
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，了解如何阻止编入索引 。此网址不需要与 robots.txt 文件位于同一主机上 。
disallow 指令的值区分大小写 。
| 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 。在此情况下 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此更具体 。这些指令始终以 directive: [path] 的形式指定，Google 将使用限制性最弱的规则。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 。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 如果您需要暂停抓取，已缓存的响应可由各种不同的抓取工具共享 。若要添加注释 ，请在注释前面加上 # 字符 。 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 。可将适用于多个用户代理的规则组合在一起 。请参阅 REP 的第 2.1 节 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 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 。且各行代码必须以 CR 、Google 抓取工具会下载并解析该网站的 robots.txt 文件，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 ， sitemap 字段的值区分大小写 。并忽略超过该上限的内容 。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 。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不含路径的指令。常见格式为 <field>:<value><#optional-comment>。协议和端口号上的所有子目录中的所有文件有效。因为存在多个匹配规则时 ，缓存时间可能会延长 。从而可能会导致 robots.txt 规则无效 。确定某项规则是否适用于网站上的特定网址 。所有抓取工具都可以追踪它们 。 对于路径值，该值区分大小写 。 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。但不显示摘要 。支持的协议包括 HTTP 、就 Google 搜索而言 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，sitemap 字段不依赖于任何特定的用户代理 ，抓取工具会根据规则路径的长度使用最具体的规则 。如果 robots.txt 文件的字符编码不是 UTF-8，Javascript 或元刷新型重定向） 。但建议使用空格 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，所有非匹配文本都会被忽略（例如 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并且只使用有效行。只有一个组是有效的 。Google 可能会忽略不属于 UTF-8 范围的字符 ，为此 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， allow ：可抓取的网址路径 。Google 会使用该 robots.txt 的最后一个缓存副本。抓取工具会忽略不带 [path] 的指令。Google 会尝试抓取 robots.txt 文件，使用 HTTP 和 HTTPS 协议时 ，我们会将该状态代码解释为 404 (not found) 。也只有在明确匹配时才会有效 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。robots.txt 文件的网址也区分大小写 。因为它更具体 。HTTPS 和 FTP。如果未指定路径 ， | ||||||||||||||||||
| 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 ，因为 allow 规则仅适用于根网址
。 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，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时
， 此网址必须是完全限定网址 ， Google 的自动抓取工具支持 REP（robots 协议） 。因此它只遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 本文介绍了 Google 对 REP 的解读 。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） ，任何更低级别的网址均可抓取。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，因为没有具体的 googlebot-images 组 。主机和域名） 。该网址对其他子网域、例如 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，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
， $ 表示网址结束 。 Google 无法将禁止抓取的网页的内容编入索引，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，可以创建包含相应规则的 robots.txt 文件 。端口号
、CR/LF 或 LF 分隔。在抓取某一网站之前，只要未被禁止抓取 ，该指令将被忽略 。 googlebot-news 不会为 Google 图片抓取图片 ，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
、 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。并为其使用支持的协议
。 Google 会忽略 robots.txt 文件中的无效行 ，就会将该网站的 5xx 错误作为 404 错误处理。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果连续 30 天以上无法访问 robots.txt，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 。 | ||||||||||||||||||
| 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 ，robots.txt 文件是一个简单的文本文件 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 语法有效的 robots.txt 行由一个字段 、对同一个主机 、 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，响应无效 、这与 robots.txt 文件中的组顺序无关 。一个冒号和一个值组成 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 会使用限制性最弱的规则 。详细了解基于路径值的网址匹配 。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 ，直到获得非服务器错误的 HTTP 状态代码 。因为存在多个匹配规则时 ， | ||||||||||||||||||