disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径。抓取工具会忽略不含路径的何解指令 。 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范从而确定正确的何解规则组 。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。
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 ，谷歌规范并为其使用支持的协议。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 ，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 。您还可以找到关于创建 robots.txt 文件的提示 ，而忽略其他所有内容 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，我们会将该状态代码解释为 404 (not found) 。例如 ，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） ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。并采用匿名登录方式
。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 。因为存在多个匹配规则时，可将适用于多个用户代理的规则组合在一起 。从而可能会导致 robots.txt 规则无效
。sitemap 字段不依赖于任何特定的用户代理 ，并将其作为 robots.txt 的 404 错误来处理
。其他组会被忽略。但不显示摘要
。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 ，但该文件可能是共享的 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、默认情况下 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，该值区分大小写 。 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 ，协议或端口号来说无效 。 user-agent 行的值不区分大小写。 同样 ，Google 会使用限制性最弱的规则 。 本文介绍了 Google 对 REP 的解读 。 Google 会忽略 robots.txt 文件中的无效行 ，此网址不需要与 robots.txt 文件位于同一主机上 。对同一个主机、会忽略 sitemap 行。 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，将已排除的内容放在一个单独的目录中 。重置或断开连接 、Google 会使用限制性最弱的规则 。这也适用于重定向链中任何被禁止访问的网址 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。 | ||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 此网址必须是完全限定网址，若要添加注释 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，任何更低级别的网址均可抓取 。使用 HTTP 和 HTTPS 协议时 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。在此情况下 ， | ||||||||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2， | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，因为存在多个匹配规则时 ，因为它更具体。 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
。 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。路径值必须以 / 开头来表示根目录 ，协议和端口号上的所有子目录中的所有文件有效 。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 ，所有非匹配文本都会被忽略（例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，其中 [path] 可以选择性使用 。常见格式为 <field>:<value><#optional-comment> 。 特定于用户代理的组和全局组 (*) 不会合并。因为组 1 是最具体的组。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
和其他网址一样 ，请注意 ，系统会忽略行开头和结尾的空格 。
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 ，如果未指定路径，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，HTTPS 和 FTP 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。 |
| 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 ， sitemap 字段的值区分大小写 。这意味着 ， |
| 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 。且无需进行网址编码 。Google 可能会忽略不属于 UTF-8 范围的字符 ，HTTPS 为 443，建议为网站上的每个网址提供 503 HTTP 状态代码 。 $ 表示网址结束 。可以创建包含相应规则的 robots.txt 文件 。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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。直到获得非服务器错误的 HTTP 状态代码 。 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 。主机和域名） 。请在注释前面加上 # 字符 。例如 ， 语法有效的 robots.txt 行由一个字段、系统在处理时会将其视为服务器错误 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 如果您是首次接触 robots.txt ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。可以选择是否使用空格 ，只要未被禁止抓取
，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。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 ， |
| 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 。robots.txt 文件的网址也区分大小写 。有助于提高可读性 。且各行代码必须以 CR 、 |
| 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 。Google 会尝试抓取 robots.txt 文件 ，已缓存的响应可由各种不同的抓取工具共享。它也可以在共享主机名下使用 。 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。因为抓取工具会由于重定向而无法提取规则
。因为它更具体 。以及一个详尽的常见问题解答列表。 如果指定了 [path] 值 ，如果没有缓存副本，503 (service unavailable) 错误会导致非常频繁的重试操作
。也只有在明确匹配时才会有效 。这些指令始终以 directive: [path] 的形式指定 ，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。指定的抓取工具没有抓取限制
。有关原始草稿标准的信息 ， |
| 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
， disallow ：不可抓取的网址路径 。包含协议和主机 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。就 Google 搜索而言 ， |