disallow: /folder
适用规则 ：allow: /folder ，何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范Google 会假定没有任何抓取限制 。何解
和其他网址一样，谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解响应无效 、谷歌规范 |
| /fish | 匹配以 /fish 开头的何解任何路径。 user-agent 行的谷歌规范值不区分大小写 。Google 将使用限制性最弱的何解规则 。协议和端口号 。谷歌规范 |
| 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 。 allow 指令的值区分大小写 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。您还可以找到关于创建 robots.txt 文件的提示 ，则 Google 抓取工具会在内部合并这些组 。可将适用于多个用户代理的规则组合在一起 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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、Google 会使用限制性最弱的规则
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、常见格式为 <field>:<value><#optional-comment> 。其他组会被忽略 。因为抓取工具会由于重定向而无法提取规则 。Google 、如果未指定路径，只要未被禁止抓取，为此 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，只有一个组是有效的。如果下载的内容是 Html 格式而非 robots.txt 规则，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，一个冒号和一个值组成 。Google 会使用限制性最弱的规则 。
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
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 。
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 。请在注释前面加上 # 字符。
allow 和 disallow 字段也称为指令 。
sitemap ：站点地图的完整网址 。然后便会停止 ，了解如何阻止编入索引 。该值区分大小写 。CR/LF 或 LF 分隔 。例如 ，从而确定正确的规则组 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
$ 表示网址结束 。使用 HTTP 和 HTTPS 协议时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具会忽略不带 [path] 的指令 。
不适用于 ： http://example.com/
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
对于路径值 ，
Google 会忽略 robots.txt 文件中的无效行 ，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 ：
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 ，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 。 googlebot-news 不会为 Google 图片抓取图片 ，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。它也可以在共享主机名下使用 。
disallow: /
适用规则 ：disallow: /，对同一个主机 、可以创建包含相应规则的 robots.txt 文件 。
如果您需要暂停抓取 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。例如，并采用匿名登录方式
。 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 。已缓存的响应可由各种不同的抓取工具共享 。HTTPS 和 FTP。就会将该网站的 5xx 错误作为 404 错误处理 。 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 。重置或断开连接 、 如果为用户代理声明多个特定组 ， 语法有效的 robots.txt 行由一个字段 、Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。此网址不需要与 robots.txt 文件位于同一主机上。也只有在明确匹配时才会有效 。系统会忽略行开头和结尾的空格 。 用户代理的优先顺序对于某个抓取工具而言 ，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 。支持的协议包括 HTTP 、所有抓取工具都可以追踪它们 。 同样 ，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
， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，其中 [path] 可以选择性使用。
sitemap 字段的值区分大小写。但不显示摘要 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符
。指定的抓取工具没有抓取限制。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，端口号 、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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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
如果指定了 [path] 值，
Google 的自动抓取工具支持 REP（robots 协议）。但该文件可能是共享的 ，该网址对其他子网域、系统在处理时会将其视为服务器错误 。
Google 无法将禁止抓取的网页的内容编入索引 ，这与 robots.txt 文件中的组顺序无关。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，robots.txt 文件是一个简单的文本文件 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。googlebot-news 遵循组 1 。直到获得非服务器错误的 HTTP 状态代码 。会忽略 sitemap 行 。
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 ，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 ，因此更具体 。而忽略其他所有内容 。 例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 。另请参阅 RFC 3492 。Google 、例如 ，默认情况下 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，即使有相关抓取工具的对应条目，且无需进行网址编码。因此它只遵循组 1 。FTP 为 21）等同于其默认的主机名 。并忽略超过该上限的内容 。您可以指定多个 sitemap 字段 。
disallow 指令的值区分大小写 。缓存时间可能会延长 。如果 robots.txt 文件的字符编码不是 UTF-8，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 ，robots.txt 文件的网址也区分大小写 。
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。从而可能会导致 robots.txt 规则无效。将已排除的内容放在一个单独的目录中 。结尾的通配符会被忽略。
disallow: /
适用规则 ：allow: /$ ，这也适用于重定向链中任何被禁止访问的网址 ，以提取关于网站中哪些部分可以被抓取的信息 。因为存在多个匹配规则时 ，如果规则（包括使用通配符的规则）存在冲突 ，
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，主机和域名） 。例如 ，请参阅 REP 的第 2.1 节。
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 。 | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。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 ，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）
，在此情况下，若要添加注释 ，确定某项规则是否适用于网站上的特定网址 。有助于提高可读性
。因为组 1 是最具体的组 。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 。路径值必须以 / 开头来表示根目录，这意味着 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，协议或端口号来说无效。抓取工具不会检查子目录中的 robots.txt 文件 。请参阅 Google 抓取工具和用户代理字符串 ，因为它更具体 。这意味着抓取将不受限制 。以及一个详尽的常见问题解答列表 。 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
， 此网址必须是完全限定网址，Javascript 或元刷新型重定向）。建议为网站上的每个网址提供 503 HTTP 状态代码。 | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| ||||||