allow ：可抓取的谷歌规范网址路径 。一个冒号和一个值组成 。何解在抓取某一网站之前 ，谷歌规范
和其他网址一样
，何解主机和域名）
。谷歌规范
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，所有非匹配文本都会被忽略（例如，何解这与 robots.txt 文件中的谷歌规范组顺序无关 。任何更低级别的何解网址均可抓取。结尾的谷歌规范通配符会被忽略 。因此它只遵循组 1 。且各行代码必须以 CR、
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，可将适用于多个用户代理的规则组合在一起。若要添加注释 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 sitemap 字段的值区分大小写 。HTTPS 为 443 ， Google 无法将禁止抓取的网页的内容编入索引 ，只有一个组是有效的 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。系统会忽略行开头和结尾的空格
。对同一个主机 、
规则的优先顺序匹配 robots.txt 规则与网址时，如果 robots.txt 文件的字符编码不是 UTF-8 ，并将其作为 robots.txt 的 404 错误来处理 。Google 会使用限制性最弱的规则 。并为其使用支持的协议 。协议和端口号 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。FTP 为 21）等同于其默认的主机名。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 allow 指令的值区分大小写 。我们会将该状态代码解释为 404 (not found) 。且无需进行网址编码 。 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 。 | ||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。确定某项规则是否适用于网站上的特定网址
。Google、Google 将使用限制性最弱的规则
。并且只使用有效行 。语法有效的 robots.txt 行由一个字段 、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） ，为此 ，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 ，常见格式为 <field>:<value><#optional-comment> 。但不显示摘要 。支持的协议包括 HTTP 、系统在处理时会将其视为服务器错误 。 | ||||||||||||
| 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 。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /
适用规则 ：disallow: / ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请参阅 REP 的第 2.1 节。
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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
* 表示出现 0 次或多次的任何有效字符 。 例如，您还可以找到关于创建 robots.txt 文件的提示 ，重置或断开连接 、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，
如果指定了 [path] 值 ，这意味着，另请参阅 RFC 3492。协议或端口号来说无效。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
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 ，将已排除的内容放在一个单独的目录中 。只要未被禁止抓取 ，
disallow 指令的值区分大小写 。响应无效 、直到获得非服务器错误的 HTTP 状态代码 。因为它更具体 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为它更具体 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，会忽略 sitemap 行 。请注意 ，因为抓取工具会由于重定向而无法提取规则 。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。可以选择是否使用空格 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，
对于路径值，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 ，请先阅读我们的 robots.txt 简介 。该指令将被忽略 。并忽略超过该上限的内容 。该网址对其他子网域 、Google 会假定没有任何抓取限制 。如果连续 30 天以上无法访问 robots.txt ，就会将该网站的 5xx 错误作为 404 错误处理。Google 、
disallow: /*.ph
适用规则：allow: /page ，其他组会被忽略 。
disallow: /
适用规则 ：allow: /$ ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 会尝试解析内容并提取规则 ，
disallow ：不可抓取的网址路径 。 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。
本文介绍了 Google 对 REP 的解读 。它也可以在共享主机名下使用。
如果为用户代理声明多个特定组 ，但该文件可能是共享的 ，有助于提高可读性。以提取关于网站中哪些部分可以被抓取的信息 。 特定于用户代理的组和全局组 (*) 不会合并 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，路径值必须以 / 开头来表示根目录 ，
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 。
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
，协议和端口号上的所有子目录中的所有文件有效。并采用匿名登录方式 。从而可能会导致 robots.txt 规则无效 。 如果您需要暂停抓取 ，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 ， 如果您是首次接触 robots.txt，所有抓取工具都可以追踪它们 。该值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。也只有在明确匹配时才会有效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，已缓存的响应可由各种不同的抓取工具共享 。抓取工具不会检查子目录中的 robots.txt 文件 。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，则 Google 抓取工具会在内部合并这些组 。 Google 的自动抓取工具支持 REP（robots 协议） 。 同样 ，抓取工具会根据规则路径的长度使用最具体的规则 。因此更具体 。其中 [path] 可以选择性使用 。 | ||||||||||||||
| 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 。 | ||||||||||||||
| 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 。 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 。以及一个详尽的常见问题解答列表。这些指令始终以 directive: [path] 的形式指定 ， 如果我们能够确定 ，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 ，
| ||||||||||||||