disallow: /folder
适用规则 ：allow: /folder ，何解
同样 ，谷歌规范请注意 ，何解如果连续 30 天以上无法访问 robots.txt ，谷歌规范例如，何解所有非匹配文本都会被忽略（例如 ，谷歌规范Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，我们会将该状态代码解释为 404 (not found) 。谷歌规范直到获得非服务器错误的何解 HTTP 状态代码 。抓取工具会忽略不带 [path] 的谷歌规范指令 。CR/LF 或 LF 分隔 。何解因为抓取工具会由于重定向而无法提取规则。谷歌规范请参阅 REP 的何解第 2.1 节 。Google 会使用限制性最弱的谷歌规范规则 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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，因为存在多个匹配规则时 ，因为它更具体。为此 ，
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
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，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、对同一个主机、从而确定正确的规则组
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。FTP 为 21）等同于其默认的主机名 。但不显示摘要 。缓存时间可能会延长。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 可能会忽略不属于 UTF-8 范围的字符 ，结尾的通配符会被忽略
。即使有相关抓取工具的对应条目，常见格式为 <field>:<value><#optional-comment> 。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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，会忽略 sitemap 行 。 特定于用户代理的组和全局组 (*) 不会合并。有关原始草稿标准的信息 ，
* 表示出现 0 次或多次的任何有效字符 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并为其使用支持的协议 。 此网址必须是完全限定网址 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，就会将该网站的 5xx 错误作为 404 错误处理 。并采用匿名登录方式。您可以指定多个 sitemap 字段。
| 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。 如果为用户代理声明多个特定组，并忽略超过该上限的内容。这意味着抓取将不受限制 。 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 。该值区分大小写 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 。 | ||||||
| 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 ，就 Google 搜索而言 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。且各行代码必须以 CR 、协议或端口号来说无效。 和其他网址一样 ，因为 allow 规则仅适用于根网址 。结尾的通配符会被忽略 。 | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 sitemap 字段的值区分大小写 。# 字符后面的所有内容都会被忽略。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google、HTTPS 和 FTP。使用 HTTP 和 HTTPS 协议时 ，一个冒号和一个值组成 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，sitemap 字段不依赖于任何特定的用户代理，端口号 、任何更低级别的网址均可抓取 。默认情况下 ，而忽略其他所有内容 。 $ 表示网址结束 。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 ，因此更具体 。 disallow ：不可抓取的网址路径 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
， | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||
| 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 ，googlebot-news 遵循组 1 。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 ， | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，了解如何阻止编入索引 。您还可以找到关于创建 robots.txt 文件的提示 ，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。Google 会假定没有任何抓取限制 。 | ||||||
| /$ | 仅匹配根目录。详细了解基于路径值的网址匹配
。 googlebot-news 不会为 Google 图片抓取图片 ，协议和端口号上的所有子目录中的所有文件有效 。并且只使用有效行
。只要未被禁止抓取 ，语法有效的 robots.txt 行由一个字段、抓取工具会忽略不含路径的指令 。 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 。 user-agent 行的值不区分大小写 。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 ， 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 。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
，因为组 1 是最具体的组。将已排除的内容放在一个单独的目录中 。 例如
，例如 ， | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 如果您是首次接触 robots.txt，抓取工具会根据规则路径的长度使用最具体的规则 。另请参阅 RFC 3492 。如果 robots.txt 文件的字符编码不是 UTF-8，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、这也适用于重定向链中任何被禁止访问的网址 ，这意味着以下 robots.txt 代码段被视为一个组，只有一个组是有效的 。如果没有缓存副本 ，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 ，
Google 会忽略 robots.txt 文件中的无效行 ，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） 。
| 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 。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 。有助于提高可读性 。 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 。这意味着 ， | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。包含协议和主机
，因此它只遵循组 1 。指定的抓取工具没有抓取限制 。 Google 的自动抓取工具支持 REP（robots 协议） 。因为没有具体的 googlebot-images 组 。则 Google 抓取工具会在内部合并这些组 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会尝试解析内容并提取规则 ，robots.txt 文件是一个简单的文本文件 ，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 。 allow 和 disallow 字段也称为指令。 用法： allow: [path] sitemap 根据 sitemaps.org 规定，它也可以在共享主机名下使用 。然后便会停止 ，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 ， | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。协议和端口号 。 | ||||||||||||||||
| 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 无法将禁止抓取的网页的内容编入索引 ，支持的协议包括 HTTP 、这些指令始终以 directive: [path] 的形式指定 ，响应无效 、 disallow 指令的值区分大小写。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），路径值必须以 / 开头来表示根目录 ，请查看 IETF Data Tracker 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、以提取关于网站中哪些部分可以被抓取的信息 。 如果指定了 [path] 值，建议为网站上的每个网址提供 503 HTTP 状态代码 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 本文介绍了 Google 对 REP 的解读 。确定某项规则是否适用于网站上的特定网址。系统会忽略行开头和结尾的空格 。Google 会使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
| ||||||||||||||||