disallow: /folder
适用规则 ：allow: /folder ，谷歌规范
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样，何解确定某项规则是谷歌规范否适用于网站上的特定网址 。googlebot-news 遵循组 1 。何解
disallow ：不可抓取的谷歌规范网址路径。了解如何阻止编入索引 。何解Google 会尝试解析内容并提取规则 ，谷歌规范
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 ，何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，下面说明了抓取工具如何理解之前的何解 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 ，
如果指定了 [path] 值 ，谷歌规范则 Google 抓取工具会在内部合并这些组。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。请先阅读我们的 robots.txt 简介 。所有非匹配文本都会被忽略（例如 ，
语法
有效的 robots.txt 行由一个字段 、
disallow: /*.ph
适用规则 ：allow: /page ，这也适用于重定向链中任何被禁止访问的网址 ，
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 。建议为网站上的每个网址提供 503 HTTP 状态代码。从而可能会导致 robots.txt 规则无效 。主机和域名） 。可以选择是否使用空格 ，如果连续 30 天以上无法访问 robots.txt，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、对同一个主机 、而忽略其他所有内容 。您可以指定多个 sitemap 字段 。
disallow: /
适用规则 ：disallow: / ，
对于路径值 ，请参阅 REP 的第 2.1 节。
allow 指令的值区分大小写 。系统在处理时会将其视为服务器错误 。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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为组 1 是最具体的组 。如果规则（包括使用通配符的规则）存在冲突 ，因为存在多个匹配规则时，我们会将该状态代码解释为 404 (not found) 。Google 会使用限制性最弱的规则 。 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果我们能够确定，Google 会假定没有任何抓取限制 。
user-agent 行的值不区分大小写 。以及一个详尽的常见问题解答列表 。
本文介绍了 Google 对 REP 的解读 。Google、Bing 和其他主流搜索引擎支持有限形式的通配符。就 Google 搜索而言，也只有在明确匹配时才会有效 。并忽略超过该上限的内容。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、Google 将使用限制性最弱的规则 。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） 。因为存在多个匹配规则时 ，已缓存的响应可由各种不同的抓取工具共享 。系统会忽略行开头和结尾的空格 。
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 。这意味着 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为没有具体的 googlebot-images 组 。 特定于用户代理的组和全局组 (*) 不会合并 。Google、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
同样 ，且无需进行网址编码 。如果下载的内容是 Html 格式而非 robots.txt 规则，有助于提高可读性 。
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，FTP 为 21）等同于其默认的主机名 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
sitemap ：站点地图的完整网址 。协议和端口号上的所有子目录中的所有文件有效 。robots.txt 文件是一个简单的文本文件，如果没有缓存副本，即使有相关抓取工具的对应条目 ，# 字符后面的所有内容都会被忽略 。
allow 和 disallow 字段也称为指令 。该网址对其他子网域 、
Google 会忽略 robots.txt 文件中的无效行 ，
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 ， |
* 表示出现 0 次或多次的任何有效字符。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 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
。 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 ，协议和端口号 。只要未被禁止抓取 ， |
| 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 。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，robots.txt 文件的网址也区分大小写
。包含协议和主机
，其他组会被忽略
。若要添加注释，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
。使用 HTTP 和 HTTPS 协议时 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 Google 的自动抓取工具支持 REP（robots 协议） 。指定的抓取工具没有抓取限制。但可能仍会将其网址编入索引并将其显示在搜索结果中，以提取关于网站中哪些部分可以被抓取的信息 。因为它更具体 。抓取工具会忽略不带 [path] 的指令 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，且各行代码必须以 CR 、其中 [path] 可以选择性使用 。如果未指定路径 ， |
| 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 。它也可以在共享主机名下使用。因为 allow 规则仅适用于根网址 。默认情况下 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，该指令将被忽略 。
Google 无法将禁止抓取的网页的内容编入索引 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着抓取将不受限制 。常见格式为 <field>:<value><#optional-comment>。一个冒号和一个值组成 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
disallow: /
适用规则 ：allow: /$ ，例如 ，
disallow 指令的值区分大小写 。并将其作为 robots.txt 的 404 错误来处理 。
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 。您还可以找到关于创建 robots.txt 文件的提示 ，
如果为用户代理声明多个特定组 ，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 。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 、因为它更具体 。因此更具体。这意味着以下 robots.txt 代码段被视为一个组，
| 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 。协议或端口号来说无效 。并采用匿名登录方式 。 例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。在抓取某一网站之前 ，抓取工具会忽略不含路径的指令 。503 (service unavailable) 错误会导致非常频繁的重试操作 。可以创建包含相应规则的 robots.txt 文件。 用户代理的优先顺序对于某个抓取工具而言 ，任何更低级别的网址均可抓取 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ， allow
：可抓取的网址路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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） ， | ||||||||||||||||||