disallow 指令的何解值区分大小写 。如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
allow 和 disallow 字段也称为指令 。谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则 。该值区分大小写 。谷歌规范直到获得非服务器错误的 HTTP 状态代码 。系统在处理时会将其视为服务器错误 。您还可以找到关于创建 robots.txt 文件的提示，
sitemap ：站点地图的完整网址 。这也适用于重定向链中任何被禁止访问的网址， 特定于用户代理的组和全局组 (*) 不会合并 。常见格式为 <field>:<value><#optional-comment> 。
disallow ：不可抓取的网址路径 。有助于提高可读性 。Google 会使用限制性最弱的规则 。请在注释前面加上 # 字符 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。协议和端口号上的所有子目录中的所有文件有效 。
如果我们能够确定 ，
disallow: /
适用规则 ：allow: /$，且各行代码必须以 CR 、
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 。您可以指定多个 sitemap 字段。并且只使用有效行 。抓取工具会忽略不带 [path] 的指令。
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 。sitemap 字段不依赖于任何特定的用户代理 ，因为 allow 规则仅适用于根网址 。它也可以在共享主机名下使用。主机和域名） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，且无需进行网址编码 。使用 HTTP 和 HTTPS 协议时，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Google 会使用限制性最弱的规则。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 、协议和端口号 。FTP 为 21）等同于其默认的主机名 。则 Google 抓取工具会在内部合并这些组
。在抓取某一网站之前 ，请先阅读我们的 robots.txt 简介 。该网址对其他子网域 、
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
如果为用户代理声明多个特定组，例如 ，已缓存的响应可由各种不同的抓取工具共享 。并为其使用支持的协议 。可将适用于多个用户代理的规则组合在一起 。
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 ，其中 [path] 可以选择性使用 。 例如，缓存时间可能会延长。路径值必须以 / 开头来表示根目录 ，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，Google 可能会忽略不属于 UTF-8 范围的字符 ，这意味着 ，Javascript 或元刷新型重定向） 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， |
| /fish* | 等同于 /fish。对同一个主机 、CR/LF 或 LF 分隔 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，为此 ，指定的抓取工具没有抓取限制 。503 (service unavailable) 错误会导致非常频繁的重试操作 。但建议使用空格 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，例如 ，协议或端口号来说无效 。结尾的通配符会被忽略 。所有抓取工具都可以追踪它们。 sitemap 字段的值区分大小写 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。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 ，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 。robots.txt 文件是一个简单的文本文件 ，因为存在多个匹配规则时 ， allow
：可抓取的网址路径 。HTTPS 和 FTP 。任何更低级别的网址均可抓取
。但不显示摘要 。而忽略其他所有内容。可以创建包含相应规则的 robots.txt 文件
。因为没有具体的 googlebot-images 组。另请参阅 RFC 3492 。 语法有效的 robots.txt 行由一个字段 、如果 robots.txt 文件的字符编码不是 UTF-8，可以选择是否使用空格 ，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 ，会忽略 sitemap 行 。这意味着以下 robots.txt 代码段被视为一个组 ， 如果指定了 [path] 值 ，也只有在明确匹配时才会有效 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。就会将该网站的 5xx 错误作为 404 错误处理。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，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 ，只要未被禁止抓取 ， |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。响应无效 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。因为它更具体 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，确定某项规则是否适用于网站上的特定网址 。Google 会假定没有任何抓取限制 。
本文介绍了 Google 对 REP 的解读。
Google 会忽略 robots.txt 文件中的无效行 ，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 ，
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。googlebot-news 遵循组 1。例如，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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。系统会忽略行开头和结尾的空格 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。其他组会被忽略 。
同样，包含协议和主机 ，即使有相关抓取工具的对应条目 ，
disallow: /folder
适用规则 ：allow: /folder ，支持的协议包括 HTTP 、就 Google 搜索而言，此网址不需要与 robots.txt 文件位于同一主机上 。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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 。robots.txt 文件的网址也区分大小写 。
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: 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，
Google 的自动抓取工具支持 REP（robots 协议） 。有关原始草稿标准的信息 ，将已排除的内容放在一个单独的目录中。请参阅 Google 抓取工具和用户代理字符串 ，Google 会尝试抓取 robots.txt 文件 ，
# 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 ，Google、端口号 、因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本。googlebot/1.2 和 googlebot* 均等同于 googlebot）。因为抓取工具会由于重定向而无法提取规则。Google 会尝试解析内容并提取规则，这意味着抓取将不受限制 。
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 ，
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
如果您需要暂停抓取 ，因为组 1 是最具体的组。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 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 。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 如果您是首次接触 robots.txt， | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，这些指令始终以 directive: [path] 的形式指定， 和其他网址一样 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， allow 指令的值区分大小写 。 Google 无法将禁止抓取的网页的内容编入索引 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 此网址必须是完全限定网址 ，一个冒号和一个值组成
。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），了解如何阻止编入索引 。请参阅 REP 的第 2.1 节。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||
| 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
。如果未指定路径，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、结尾的通配符会被忽略 。抓取工具会忽略不含路径的指令 。 googlebot-news 不会为 Google 图片抓取图片 ，默认情况下 ，在此情况下 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，抓取工具不会检查子目录中的 robots.txt 文件 。并将其作为 robots.txt 的 404 错误来处理 。如果没有缓存副本 ，Google、 | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。因为它更具体 。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 。 用户代理的优先顺序对于某个抓取工具而言 ，
| ||||||||||