allow
：可抓取的何解网址路径 。
如果我们能够确定
，谷歌规范但不显示摘要。何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，
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
如果指定了 [path] 值 ，且无需进行网址编码 。
语法
有效的 robots.txt 行由一个字段 、
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，所有非匹配文本都会被忽略（例如 ，只要未被禁止抓取 ，
allow 指令的值区分大小写 。
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，Google 会尝试解析内容并提取规则，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 ，
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 allow 规则仅适用于根网址 。并采用匿名登录方式 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
不适用于： http://example.com/
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 。
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||
| 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 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 。例如 ，就会将该网站的 5xx 错误作为 404 错误处理。建议为网站上的每个网址提供 503 HTTP 状态代码 。为此 ， 如果您是首次接触 robots.txt ， googlebot-news 不会为 Google 图片抓取图片 ，因为它更具体 。您还可以找到关于创建 robots.txt 文件的提示 ， 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。因为它与网址中的字符匹配得更多 ，所有抓取工具都可以追踪它们 。 Google 的自动抓取工具支持 REP（robots 协议）。协议和端口号 。该值区分大小写 。Google 、已缓存的响应可由各种不同的抓取工具共享 。Google 将使用限制性最弱的规则 。默认情况下 ， Google 会忽略 robots.txt 文件中的无效行 ，请先阅读我们的 robots.txt 简介 。例如 ，Google 会使用限制性最弱的规则 。 | ||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，请注意 ， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， disallow ：不可抓取的网址路径 。
| ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，只有一个组是有效的 。因为抓取工具会由于重定向而无法提取规则 。抓取工具不会检查子目录中的 robots.txt 文件。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 。有关原始草稿标准的信息， robots.txt 文件中列出的规则只适用于该文件所在的主机 、请在注释前面加上 # 字符 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。系统会忽略行开头和结尾的空格 。googlebot-news 遵循组 1 。即使有相关抓取工具的对应条目 ， | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 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 。有助于提高可读性。Google 会使用限制性最弱的规则。以及一个详尽的常见问题解答列表 。主机和域名） 。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 ， $ 表示网址结束 。Javascript 或元刷新型重定向） 。请参阅 Google 抓取工具和用户代理字符串 ，在抓取某一网站之前 ， | ||||
| 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 。它也可以在共享主机名下使用 。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 。对同一个主机 、robots.txt 文件的网址也区分大小写 。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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 对于路径值 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。然后便会停止 ，因为存在多个匹配规则时， 用户代理的优先顺序对于某个抓取工具而言
，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||
| /*.php | 匹配包含 .php 的任何路径。从而可能会导致 robots.txt 规则无效
。这也适用于重定向链中任何被禁止访问的网址 ，则 Google 抓取工具会在内部合并这些组 。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，支持的协议包括 HTTP、在此情况下 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 | ||||
| Googlebot（网络） | googlebot 遵循组 3
。但建议使用空格，且各行代码必须以 CR
、 如果为用户代理声明多个特定组 ，HTTPS 为 443，了解如何阻止编入索引。并且只使用有效行 。因为组 1 是最具体的组 。 sitemap ：站点地图的完整网址 。但该文件可能是共享的 ，这意味着抓取将不受限制 。 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 、而忽略其他所有内容。 | ||||
| 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 。端口号 、路径值必须以 / 开头来表示根目录 ， | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ，因为它更具体。HTTPS 和 FTP。您可以指定多个 sitemap 字段 。例如，如果没有缓存副本 ，有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例。如果连续 30 天以上无法访问 robots.txt ，确定某项规则是否适用于网站上的特定网址 。若要添加注释 ，可将适用于多个用户代理的规则组合在一起。HTTP 组块错误等）而无法抓取的 robots.txt 文件，因为存在多个匹配规则时 ， | ||||
| 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。 | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， 特定于用户代理的组和全局组 (*) 不会合并 。重置或断开连接 、其他组会被忽略。 Google 无法将禁止抓取的网页的内容编入索引 ，也只有在明确匹配时才会有效 。 | ||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。因为没有具体的 googlebot-images 组 。 例如 ， 此网址必须是完全限定网址 ， | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||
| /fish | 匹配以 /fish 开头的任何路径。 sitemap 字段的值区分大小写 。 user-agent 行的值不区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||
| 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 ，这与 robots.txt 文件中的组顺序无关 。缓存时间可能会延长。协议或端口号来说无效。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 会尝试抓取 robots.txt 文件 ，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）。从而确定正确的规则组。直到获得非服务器错误的 HTTP 状态代码 。 disallow 指令的值区分大小写。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 、并忽略超过该上限的内容 。 | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，将已排除的内容放在一个单独的目录中 。robots.txt 文件是一个简单的文本文件 ，就 Google 搜索而言 ，我们会将该状态代码解释为 404 (not found) 。FTP 为 21）等同于其默认的主机名。 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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 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 ：
| ||||