allow ：可抓取的谷歌规范网址路径 。
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是谷歌规范有效的 robots.txt 文件 。只有一个组是何解有效的 。有效 robots.txt 网址的谷歌规范示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 allow 和 disallow 字段也称为指令。请参阅 Google 抓取工具和用户代理字符串 ，响应无效 、以提取关于网站中哪些部分可以被抓取的信息 。Google 会使用该 robots.txt 的最后一个缓存副本。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、这些指令始终以 directive: [path] 的形式指定 ， 语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。请注意，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，也只有在明确匹配时才会有效。 | ||||||||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，结尾的通配符会被忽略 。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。 sitemap 字段的值区分大小写 。请在注释前面加上 # 字符 。但建议使用空格 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 Google 会忽略 robots.txt 文件中的无效行，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，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，这些通配符包括： * 表示出现 0 次或多次的任何有效字符。协议或端口号来说无效 。Google 将使用限制性最弱的规则 。并且只使用有效行 。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， | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，抓取工具会忽略不带 [path] 的指令 。就 Google 搜索而言， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 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 ：
| ||||||||||||||||||
| /fish* | 等同于 /fish。即使有相关抓取工具的对应条目 ，抓取工具不会检查子目录中的 robots.txt 文件 。 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，并将其作为 robots.txt 的 404 错误来处理。FTP 为 21）等同于其默认的主机名
。有助于提高可读性 。已缓存的响应可由各种不同的抓取工具共享。详细了解基于路径值的网址匹配 。因此它只遵循组 1 。Google 、将已排除的内容放在一个单独的目录中 。缓存时间可能会延长 。Bing 和其他主流搜索引擎支持有限形式的通配符
。所有抓取工具都可以追踪它们 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow：不可抓取的网址路径 。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） 。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 。
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 。在此情况下 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，端口号、这与 robots.txt 文件中的组顺序无关 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
如果指定了 [path] 值 ，
和其他网址一样 ，如果规则（包括使用通配符的规则）存在冲突 ， 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 。
user-agent 行的值不区分大小写。CR/LF 或 LF 分隔 。主机和域名） 。Google 会使用限制性最弱的规则 。然后便会停止 ，其中 [path] 可以选择性使用 。
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 ，因为它更具体 。但不显示摘要 。且各行代码必须以 CR 、
本文介绍了 Google 对 REP 的解读 。而忽略其他所有内容。该网址对其他子网域、例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
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 ，在抓取某一网站之前，
disallow: /folder
适用规则：allow: /folder ，
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 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为它与网址中的字符匹配得更多 ，Javascript 或元刷新型重定向）
。
如果我们能够确定 ，
disallow: /
适用规则 ：allow: /$ ，
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 。确定某项规则是否适用于网站上的特定网址。系统会忽略行开头和结尾的空格 。
如果您需要暂停抓取 ，
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 。这意味着， 特定于用户代理的组和全局组 (*) 不会合并 。# 字符后面的所有内容都会被忽略 。
| 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。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 ，从而可能会导致 robots.txt 规则无效
。如果未指定路径，如果 robots.txt 文件的字符编码不是 UTF-8
，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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令
，Google 抓取工具会下载并解析该网站的 robots.txt 文件， 如果您是首次接触 robots.txt ，这意味着以下 robots.txt 代码段被视为一个组 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。sitemap 字段不依赖于任何特定的用户代理，默认情况下 ，并采用匿名登录方式
。并为其使用支持的协议。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。指定的抓取工具没有抓取限制 。您还可以找到关于创建 robots.txt 文件的提示 ，因此更具体 。Google 会使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，HTTPS 和 FTP 。robots.txt 文件的网址也区分大小写。 |
| Googlebot Images | googlebot-images 遵循组 2 ，包含协议和主机 ，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，直到获得非服务器错误的 HTTP 状态代码。从而确定正确的规则组
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， $ 表示网址结束 。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 ，因为它更具体。建议为网站上的每个网址提供 503 HTTP 状态代码 。请先阅读我们的 robots.txt 简介 。会忽略 sitemap 行 。 同样 ， Google 的自动抓取工具支持 REP（robots 协议） 。另请参阅 RFC 3492
。 |