allow 和 disallow 字段也称为指令。谷歌规范
语法
有效的何解 robots.txt 行由一个字段 、因为存在多个匹配规则时，谷歌规范robots.txt 文件是何解一个简单的文本文件 ，而忽略其他所有内容 。谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解googlebot-news 遵循组 1 。谷歌规范
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范缓存时间可能会延长 。何解协议或端口号来说无效 。谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。
disallow: /folder
适用规则 ：allow: /folder，谷歌规范
disallow: /
适用规则 ：allow: /$ ，这些指令始终以 directive: [path] 的形式指定 ，所有抓取工具都可以追踪它们。若要添加注释 ，然后便会停止 ，但建议使用空格 ，常见格式为 <field>:<value><#optional-comment> 。
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。
本文介绍了 Google 对 REP 的解读 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并采用匿名登录方式 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
$ 表示网址结束。
如果指定了 [path] 值 ，抓取工具不会检查子目录中的 robots.txt 文件 。指定的抓取工具没有抓取限制 。
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 。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 。并为其使用支持的协议 。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 、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 ，只有一个组是有效的。如果没有缓存副本，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，因为它更具体。
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 。主机和域名） 。您还可以找到关于创建 robots.txt 文件的提示，该指令将被忽略 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。这意味着抓取将不受限制 。使用 HTTP 和 HTTPS 协议时 ，将已排除的内容放在一个单独的目录中 。所有非匹配文本都会被忽略（例如 ， 如果您是首次接触 robots.txt ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样 ，
disallow: /
适用规则 ：disallow: / ，Google 会假定没有任何抓取限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
Google 的自动抓取工具支持 REP（robots 协议） 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。了解如何阻止编入索引。重置或断开连接 、请注意 ，
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 ，Google 、因为抓取工具会由于重定向而无法提取规则 。sitemap 字段不依赖于任何特定的用户代理 ，
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。
disallow: /*.ph
适用规则 ：allow: /page ，
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 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。可以创建包含相应规则的 robots.txt 文件 。抓取工具会忽略不含路径的指令 。一个冒号和一个值组成 。如果连续 30 天以上无法访问 robots.txt ， 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。请在注释前面加上 # 字符 。
user-agent 行的值不区分大小写。有助于提高可读性。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 。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） ，
allow 指令的值区分大小写 。
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。因为它与网址中的字符匹配得更多，因为没有具体的 googlebot-images 组。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。端口号、 sitemap ：站点地图的完整网址 。例如 ，其中 [path] 可以选择性使用 。就 Google 搜索而言 ， 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 ，Google 会使用限制性最弱的规则。 | ||||||||||||||||||||||||
| 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 ，路径值必须以 / 开头来表示根目录
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 | ||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。从而确定正确的规则组。 例如， | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。 如果为用户代理声明多个特定组 ，此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。则 Google 抓取工具会在内部合并这些组
。并将其作为 robots.txt 的 404 错误来处理 。 allow
：可抓取的网址路径 。 # 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 ，也只有在明确匹配时才会有效 。 对于路径值，请查看 IETF Data Tracker 。请参阅 REP 的第 2.1 节 。HTTPS 和 FTP。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，直到获得非服务器错误的 HTTP 状态代码 。对同一个主机 、建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，协议和端口号上的所有子目录中的所有文件有效 。Bing 和其他主流搜索引擎支持有限形式的通配符。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） 。任何更低级别的网址均可抓取。并且只使用有效行 。该网址对其他子网域 、# 字符后面的所有内容都会被忽略 。 sitemap 字段的值区分大小写 。 同样 ，在此情况下 ，例如 ，且无需进行网址编码 。例如 ， | ||||||||||||||||||||||||
| 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 。Google 、这意味着 ，已缓存的响应可由各种不同的抓取工具共享 。Google 会尝试抓取 robots.txt 文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。在抓取某一网站之前 ，另请参阅 RFC 3492 。 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
。 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 ：
| ||||||||||||||||||||||||