disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径。但建议使用空格 ，谷歌规范请参阅 REP 的何解第 2.1 节 。所有非匹配文本都会被忽略（例如 ，谷歌规范并采用匿名登录方式 。何解
如果指定了 [path] 值 ，谷歌规范HTTPS 和 FTP 。何解使用 HTTP 和 HTTPS 协议时 ，谷歌规范robots.txt 文件的何解网址也区分大小写 。重置或断开连接 、谷歌规范因为抓取工具会由于重定向而无法提取规则 。何解
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 。结尾的何解通配符会被忽略。
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 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 googlebot-news 不会为 Google 图片抓取图片，Google 、因此更具体 。并且只使用有效行。因为它更具体 。
对于路径值
，
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
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，主机和域名） 。
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
Google 支持以下字段 ：
user-agent
：标识相应规则适用于哪些抓取工具 。如果连续 30 天以上无法访问 robots.txt
，直到获得非服务器错误的 HTTP 状态代码
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。robots.txt 文件是一个简单的文本文件
，Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。
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 。
本文介绍了 Google 对 REP 的解读 。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） 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。即使有相关抓取工具的对应条目 ，例如 ，sitemap 字段不依赖于任何特定的用户代理，也只有在明确匹配时才会有效 。已缓存的响应可由各种不同的抓取工具共享 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，
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 ，
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 。然后便会停止，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，协议或端口号来说无效 。其中 [path] 可以选择性使用 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。该指令将被忽略 。详细了解基于路径值的网址匹配 。
Google 无法将禁止抓取的网页的内容编入索引，支持的协议包括 HTTP
、该网址对其他子网域 、
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。对同一个主机 、例如 ，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 ，了解如何阻止编入索引 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 。包含协议和主机 ，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 ，为此 ，因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会使用限制性最弱的规则 。端口号 、 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 ，Google 会使用限制性最弱的规则 。可将适用于多个用户代理的规则组合在一起 。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 ，这些指令始终以 directive: [path] 的形式指定 ，且无需进行网址编码 。抓取工具会忽略不带 [path] 的指令 。可以创建包含相应规则的 robots.txt 文件 。指定的抓取工具没有抓取限制 。Google 会尝试解析内容并提取规则 ，这也适用于重定向链中任何被禁止访问的网址 ， Google 会忽略 robots.txt 文件中的无效行 ， allow 和 disallow 字段也称为指令。Google 将使用限制性最弱的规则 。因为它更具体 。有助于提高可读性 。 此网址必须是完全限定网址 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。HTTPS 为 443，就 Google 搜索而言 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。以提取关于网站中哪些部分可以被抓取的信息 。 sitemap 字段的值区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码 。但该文件可能是共享的 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。默认情况下 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Javascript 或元刷新型重定向） 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。我们会将该状态代码解释为 404 (not found) 。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 ，只要未被禁止抓取， allow ：可抓取的网址路径 。 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， | ||||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。如果规则（包括使用通配符的规则）存在冲突 ，该值区分大小写。这与 robots.txt 文件中的组顺序无关
。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但可能仍会将其网址编入索引并将其显示在搜索结果中， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 disallow 指令的值区分大小写。而忽略其他所有内容 。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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、# 字符后面的所有内容都会被忽略 。请先阅读我们的 robots.txt 简介 。 sitemap：站点地图的完整网址 。
| ||||||||||||||||||||||||||||||||||||||||||