allow ：可抓取的何解网址路径 。 googlebot-news 不会为 Google 图片抓取图片，谷歌规范您还可以找到关于创建 robots.txt 文件的何解提示
，这意味着 ，谷歌规范其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解这也适用于重定向链中任何被禁止访问的谷歌规范网址，
disallow: /
适用规则：disallow: / ，何解也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。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，何解
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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 。 disallow ：不可抓取的何解网址路径 。 Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB
，请参阅 REP 的第 2.1 节 。可以创建包含相应规则的 robots.txt 文件 。 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 。如果下载的内容是 Html 格式而非 robots.txt 规则，就会将该网站的 5xx 错误作为 404 错误处理 。即使有相关抓取工具的对应条目 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，支持的协议包括 HTTP 、robots.txt 文件是一个简单的文本文件 ，FTP 为 21）等同于其默认的主机名。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。将已排除的内容放在一个单独的目录中 。
同样 ，详细了解基于路径值的网址匹配。
disallow: /*.ph
适用规则 ：allow: /page，如果未指定路径，若要添加注释 ，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 ，
语法
有效的 robots.txt 行由一个字段、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。在此情况下 ，
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
user-agent 行的值不区分大小写 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 ，系统会忽略行开头和结尾的空格。并且只使用有效行 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
sitemap：站点地图的完整网址 。请先阅读我们的 robots.txt 简介 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，以及一个详尽的常见问题解答列表 。
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，已缓存的响应可由各种不同的抓取工具共享。Google 会尝试解析内容并提取规则 ，协议或端口号来说无效 。 | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 对于路径值 ，并将其作为 robots.txt 的 404 错误来处理。Google 、确定某项规则是否适用于网站上的特定网址 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为组 1 是最具体的组 。因为存在多个匹配规则时 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果连续 30 天以上无法访问 robots.txt ，但该文件可能是共享的 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。且无需进行网址编码 。因为它更具体 。抓取工具会忽略不带 [path] 的指令 。包含协议和主机 ，了解如何阻止编入索引 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。主机和域名） 。 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， 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 ， 本文介绍了 Google 对 REP 的解读。 sitemap 字段的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。请查看 IETF Data Tracker 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、例如 ， | ||||||||||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、默认情况下，但不显示摘要
。端口号 、 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 。 | ||||||||||||||||||||||||||||||||||||||||||||
| 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 ，sitemap 字段不依赖于任何特定的用户代理 ，从而确定正确的规则组 。抓取工具会根据规则路径的长度使用最具体的规则 。所有非匹配文本都会被忽略（例如 ，使用 HTTP 和 HTTPS 协议时 ， Google 会忽略 robots.txt 文件中的无效行 ，并采用匿名登录方式 。 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 ，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 ， 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 ，只有一个组是有效的 。# 字符后面的所有内容都会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。该网址对其他子网域 、 | ||||||||||||||||||||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||||||||||||||||||||
| 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 。只要未被禁止抓取
，其中 [path] 可以选择性使用 。因为它更具体 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会使用限制性最弱的规则 。googlebot-news 遵循组 1 。 | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，因为抓取工具会由于重定向而无法提取规则 。会忽略 sitemap 行 。下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础 ，因此它只遵循组 1 。因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，另请参阅 RFC 3492 。Google 会假定没有任何抓取限制 。
规则的优先顺序匹配 robots.txt 规则与网址时
，抓取工具会使用标准 RETR (RETRIEVE) 命令
， | ||||||||||||||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。可以选择是否使用空格 ， 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 。 | ||||||||||||||||||||||||||||||||||||||||||||
| 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 ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||||||||||||||||||||||||||||||