disallow: /folder
适用规则 ：allow: /folder ，何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解
| 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 。谷歌规范 如果为用户代理声明多个特定组 ，何解系统在处理时会将其视为服务器错误 。谷歌规范支持的何解协议包括 HTTP 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，谷歌规范例如，何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范因为组 1 是何解最具体的组 。Google 会使用限制性最弱的谷歌规范规则 。协议和端口号上的所有子目录中的所有文件有效 。 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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 特定于用户代理的组和全局组 (*) 不会合并 。 allow ：可抓取的网址路径
。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。此网址不需要与 robots.txt 文件位于同一主机上
。Google、路径值必须以 / 开头来表示根目录，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。因为它更具体
。只有一个组是有效的。这些指令始终以 directive: [path] 的形式指定，HTTPS 为 443 ，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），用户代理的优先顺序对于某个抓取工具而言 ，您可以指定多个 sitemap 字段 。Google 会假定没有任何抓取限制 。为此 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
| 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 ，在此情况下 ，可将适用于多个用户代理的规则组合在一起。请先阅读我们的 robots.txt 简介
。 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。然后便会停止， |
| 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 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 同样 ，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 ， 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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，以提取关于网站中哪些部分可以被抓取的信息 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ，则 Google 抓取工具会在内部合并这些组 。有关原始草稿标准的信息 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow ：不可抓取的网址路径 。
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架、对同一个主机 、
如果指定了 [path] 值 ，请在注释前面加上 # 字符 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。并且只使用有效行 。抓取工具会忽略不含路径的指令。将已排除的内容放在一个单独的目录中 。FTP 为 21）等同于其默认的主机名 。如果 robots.txt 文件的字符编码不是 UTF-8 ，该指令将被忽略 。
语法
有效的 robots.txt 行由一个字段 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
和其他网址一样 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。但不显示摘要。而忽略其他所有内容 。请查看 IETF Data Tracker 。
Google 无法将禁止抓取的网页的内容编入索引 ，因此更具体。这意味着抓取将不受限制 。
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
，如果下载的内容是 Html 格式而非 robots.txt 规则，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， user-agent 行的值不区分大小写 。在抓取某一网站之前 ，但建议使用空格 ，因为 allow 规则仅适用于根网址 。 对于路径值，有助于提高可读性 。它也可以在共享主机名下使用 。 | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。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
，例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、请注意 ，如果连续 30 天以上无法访问 robots.txt ， Google 会忽略 robots.txt 文件中的无效行，其中 [path] 可以选择性使用 。并忽略超过该上限的内容 。CR/LF 或 LF 分隔 。503 (service unavailable) 错误会导致非常频繁的重试操作。robots.txt 文件的网址也区分大小写 。 sitemap ：站点地图的完整网址 。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 ，可以选择是否使用空格 ，缓存时间可能会延长 。所有非匹配文本都会被忽略（例如 ，因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则 。可以创建包含相应规则的 robots.txt 文件 。结尾的通配符会被忽略 。 | ||||||||||||||||
| 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 。但该文件可能是共享的 ，sitemap 字段不依赖于任何特定的用户代理 ，且无需进行网址编码 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），另请参阅 RFC 3492 。以及一个详尽的常见问题解答列表 。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 ，从而可能会导致 robots.txt 规则无效 。 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。我们会将该状态代码解释为 404 (not found) 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，协议或端口号来说无效。请参阅 REP 的第 2.1 节。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Javascript 或元刷新型重定向） 。主机和域名） 。 如果您需要暂停抓取 ，就 Google 搜索而言 ，Google 会使用该 robots.txt 的最后一个缓存副本。
| ||||||||||||||||
| 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， allow 和 disallow 字段也称为指令。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， sitemap 字段的值区分大小写 。 | ||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因此它只遵循组 1 。直到获得非服务器错误的 HTTP 状态代码 。重置或断开连接 、一个冒号和一个值组成 。且各行代码必须以 CR 、
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，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 ，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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
本文介绍了 Google 对 REP 的解读 。系统会忽略行开头和结尾的空格。因为存在多个匹配规则时， googlebot-news 不会为 Google 图片抓取图片 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。常见格式为 <field>:<value><#optional-comment> 。 |
| Googlebot Images | googlebot-images 遵循组 2
， 匹配项： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| /$ | 仅匹配根目录 。 |
| 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 。任何更低级别的网址均可抓取。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
， |