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。
sitemap ：站点地图的何解完整网址。
sitemap 字段的谷歌规范值区分大小写 。
user-agent 行的何解值不区分大小写 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，您可以指定多个 sitemap 字段 。何解抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范且无需进行网址编码 。何解
Google 的何解自动抓取工具支持 REP（robots 协议） 。系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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 。将已排除的内容放在一个单独的目录中 。
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 ， 此网址必须是完全限定网址 ，
本文介绍了 Google 对 REP 的解读 。即使有相关抓取工具的对应条目，
用户代理的优先顺序
对于某个抓取工具而言 ，如果规则（包括使用通配符的规则）存在冲突，协议和端口号上的所有子目录中的所有文件有效 。googlebot-news 遵循组 1。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：
/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
语法
有效的 robots.txt 行由一个字段 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
allow 指令的值区分大小写 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请查看 IETF Data Tracker 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 会使用限制性最弱的规则 。可以选择是否使用空格 ，以提取关于网站中哪些部分可以被抓取的信息。
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 。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。请注意 ，了解如何阻止编入索引。并将其作为 robots.txt 的 404 错误来处理 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
disallow 指令的值区分大小写 。但不显示摘要
。这意味着抓取将不受限制
。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
，例如
，您还可以找到关于创建 robots.txt 文件的提示 ，这也适用于重定向链中任何被禁止访问的网址
，
如果您需要暂停抓取 ，
Google 会忽略 robots.txt 文件中的无效行 ，
对于路径值 ，
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 。HTTPS 和 FTP 。可将适用于多个用户代理的规则组合在一起 。
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 ，HTTPS 为 443 ，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 ，就 Google 搜索而言 ，并且只使用有效行。另请参阅 RFC 3492 。这些指令始终以 directive: [path] 的形式指定 ，因为它更具体 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会假定没有任何抓取限制。支持的协议包括 HTTP 、这与 robots.txt 文件中的组顺序无关 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、则 Google 抓取工具会在内部合并这些组 。例如 ，响应无效 、任何更低级别的网址均可抓取 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，然后便会停止 ，sitemap 字段不依赖于任何特定的用户代理 ，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 。该指令将被忽略 。该网址对其他子网域 、 特定于用户代理的组和全局组 (*) 不会合并 。Google 、但该文件可能是共享的 ，Javascript 或元刷新型重定向） 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 。CR/LF 或 LF 分隔 。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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。抓取工具会忽略不带 [path] 的指令 。robots.txt 文件是一个简单的文本文件 ，并为其使用支持的协议 。因为 allow 规则仅适用于根网址 。如果连续 30 天以上无法访问 robots.txt ， 如果您是首次接触 robots.txt ，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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。以及一个详尽的常见问题解答列表 。
| 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 。请先阅读我们的 robots.txt 简介 。FTP 为 21）等同于其默认的主机名 。从而确定正确的规则组 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ， 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。结尾的通配符会被忽略。Google 将使用限制性最弱的规则 。 同样 ，其中 [path] 可以选择性使用 。例如， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，请参阅 Google 抓取工具和用户代理字符串 ，这意味着 ，系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。也只有在明确匹配时才会有效 。该值区分大小写 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，默认情况下 ， googlebot-news 不会为 Google 图片抓取图片 ，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， $ 表示网址结束 。并采用匿名登录方式 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为抓取工具会由于重定向而无法提取规则 。路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，详细了解基于路径值的网址匹配
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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） ， | ||||||||||||||||||||||
| /* | 等同于 / 。使用 HTTP 和 HTTPS 协议时，为此 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，而忽略其他所有内容 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，所有非匹配文本都会被忽略（例如 ，且各行代码必须以 CR 、抓取工具会忽略不含路径的指令 。 allow 和 disallow 字段也称为指令 。主机和域名）。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 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 。并忽略超过该上限的内容。 disallow ：不可抓取的网址路径 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，已缓存的响应可由各种不同的抓取工具共享。 | ||||||||||||||||||||||
| 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，因此更具体 。 | ||||||||||||||||||||||
| 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 。因此它只遵循组 1。协议或端口号来说无效 。# 字符后面的所有内容都会被忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，对同一个主机 、Google、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为它与网址中的字符匹配得更多，抓取工具不会检查子目录中的 robots.txt 文件。协议和端口号 。 | ||||||||||||||||||||||
| /fish* | 等同于 /fish。这意味着以下 robots.txt 代码段被视为一个组
，常见格式为 <field>:<value><#optional-comment> 。 allow ：可抓取的网址路径 。可以创建包含相应规则的 robots.txt 文件。 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。但建议使用空格 ，因为存在多个匹配规则时 ，
| ||||||||||||||||||||||