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 。抓取工具会使用标准 RETR (RETRIEVE) 命令，何解Google 将使用限制性最弱的谷歌规范规则。
sitemap：站点地图的何解完整网址。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。robots.txt 文件是何解一个简单的文本文件
，
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范如果连续 30 天以上无法访问 robots.txt，何解这与 robots.txt 文件中的谷歌规范组顺序无关。所有抓取工具都可以追踪它们 。抓取工具会忽略不带 [path] 的指令。且无需进行网址编码 。
$ 表示网址结束 。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 ，我们会将该状态代码解释为 404 (not found)。就 Google 搜索而言 ， 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 。
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。但不显示摘要 。
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
，
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
allow 指令的值区分大小写 。
如果您需要暂停抓取 ，
同样 ，且各行代码必须以 CR 、HTTPS 和 FTP。协议和端口号 。因为它更具体 。详细了解基于路径值的网址匹配 。因为抓取工具会由于重定向而无法提取规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
Google 会忽略 robots.txt 文件中的无效行 ，
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。从而可能会导致 robots.txt 规则无效 。它也可以在共享主机名下使用
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。路径值必须以 / 开头来表示根目录，
如果我们能够确定
，请参阅 REP 的第 2.1 节。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为组 1 是最具体的组 。主机和域名） 。
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。您可以指定多个 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||||||||||||
| /fish* | 等同于 /fish。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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，例如，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 ， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。抓取工具不会检查子目录中的 robots.txt 文件 。 如果为用户代理声明多个特定组， | ||||||||||||||||||||
| 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。只有一个组是有效的 。Google 、 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 如果您是首次接触 robots.txt ，
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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。会忽略 sitemap 行。若要添加注释 ，指定的抓取工具没有抓取限制 。系统在处理时会将其视为服务器错误 。 本文介绍了 Google 对 REP 的解读 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。从而确定正确的规则组 。 如果指定了 [path] 值 ， | ||||||||||||||||||||
| 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， | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。此网址不需要与 robots.txt 文件位于同一主机上 。有助于提高可读性 。协议或端口号来说无效 。 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 ， | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，因为没有具体的 googlebot-images 组 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 sitemap 字段的值区分大小写。 | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， robots.txt 文件中列出的规则只适用于该文件所在的主机、例如 ，则 Google 抓取工具会在内部合并这些组 。系统会忽略行开头和结尾的空格 。而忽略其他所有内容 。所有非匹配文本都会被忽略（例如，如果下载的内容是 Html 格式而非 robots.txt 规则 ，在此情况下 ，请在注释前面加上 # 字符 。 | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，缓存时间可能会延长 。请注意 ， | ||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 会尝试解析内容并提取规则，并将其作为 robots.txt 的 404 错误来处理。也只有在明确匹配时才会有效 。
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 ，该值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，可将适用于多个用户代理的规则组合在一起。将已排除的内容放在一个单独的目录中 。 | ||||||
| /$ | 仅匹配根目录 。语法有效的 robots.txt 行由一个字段 、结尾的通配符会被忽略 。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 。因为存在多个匹配规则时 ，即使有相关抓取工具的对应条目 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。直到获得非服务器错误的 HTTP 状态代码 。Google 会使用该 robots.txt 的最后一个缓存副本 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。就会将该网站的 5xx 错误作为 404 错误处理 。并忽略超过该上限的内容 。Google 会使用限制性最弱的规则 。但该文件可能是共享的 ，如果规则（包括使用通配符的规则）存在冲突 ，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 状态代码在请求 robots.txt 文件时 ，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 ，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，Javascript 或元刷新型重定向） 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，可以创建包含相应规则的 robots.txt 文件 。 和其他网址一样 ，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 。 allow ：可抓取的网址路径 。请参阅 Google 抓取工具和用户代理字符串 ，抓取工具会忽略不含路径的指令 。 user-agent 行的值不区分大小写 。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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，CR/LF 或 LF 分隔 。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 。 用户代理的优先顺序对于某个抓取工具而言 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， 特定于用户代理的组和全局组 (*) 不会合并。 对于路径值 ，这意味着抓取将不受限制 。 | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，端口号 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。请先阅读我们的 robots.txt 简介 。 | ||||||