* 表示出现 0 次或多次的谷歌规范任何有效字符 。
allow ：可抓取的何解网址路径 。
Google 会忽略 robots.txt 文件中的无效行 ，将已排除的内容放在一个单独的目录中 。
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 。了解如何阻止编入索引 。使用 HTTP 和 HTTPS 协议时 ，但不显示摘要 。结尾的通配符会被忽略 。 特定于用户代理的组和全局组 (*) 不会合并 。协议和端口号。
disallow: /*.ph
适用规则 ：allow: /page ，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 ，
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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。FTP 为 21）等同于其默认的主机名 。robots.txt 文件是一个简单的文本文件 ，请注意 ，
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。建议为网站上的每个网址提供 503 HTTP 状态代码 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。Google 会假定没有任何抓取限制 。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 ，此网址不需要与 robots.txt 文件位于同一主机上 。
sitemap ：站点地图的完整网址 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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，
sitemap 字段的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
用户代理的优先顺序
对于某个抓取工具而言，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，对同一个主机 、
disallow: /
适用规则 ：disallow: /，该值区分大小写 。
user-agent 行的值不区分大小写。它也可以在共享主机名下使用 。
allow 指令的值区分大小写 。从而确定正确的规则组 。另请参阅 RFC 3492 。
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 ，请参阅 REP 的第 2.1 节 。结尾的通配符会被忽略 。
disallow: /folder
适用规则：allow: /folder ，因为没有具体的 googlebot-images 组 。
如果指定了 [path] 值 ，
disallow ：不可抓取的网址路径 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
$ 表示网址结束。常见格式为 <field>:<value><#optional-comment> 。协议或端口号来说无效 。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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），端口号 、以及一个详尽的常见问题解答列表 。
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 。# 字符后面的所有内容都会被忽略 。Google 会尝试解析内容并提取规则 ，CR/LF 或 LF 分隔 。
Google 无法将禁止抓取的网页的内容编入索引 ，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，
如果您需要暂停抓取 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
allow 和 disallow 字段也称为指令。
Google 的自动抓取工具支持 REP（robots 协议） 。因为存在多个匹配规则时 ，例如 ，您还可以找到关于创建 robots.txt 文件的提示 ，因为它更具体。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，sitemap 字段不依赖于任何特定的用户代理 ，
本文介绍了 Google 对 REP 的解读 。 如果您是首次接触 robots.txt ，
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
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，这意味着抓取将不受限制 。Google 、可以创建包含相应规则的 robots.txt 文件 。请查看 IETF Data Tracker 。
disallow: /*.htm
适用规则：disallow: /*.htm， 此网址必须是完全限定网址 ，如果未指定路径 ，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。并为其使用支持的协议 。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） ，我们会将该状态代码解释为 404 (not found) 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，googlebot-news 遵循组 1 。 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 ，就 Google 搜索而言 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。系统在处理时会将其视为服务器错误 。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） 。任何更低级别的网址均可抓取 。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 。只要未被禁止抓取，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 。例如 ，这些指令始终以 directive: [path] 的形式指定 ，
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 ，在抓取某一网站之前 ，
语法
有效的 robots.txt 行由一个字段、即使有相关抓取工具的对应条目
，因为 allow 规则仅适用于根网址 。 googlebot-news 不会为 Google 图片抓取图片
，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、但该文件可能是共享的 ，
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 。这也适用于重定向链中任何被禁止访问的网址 ，支持的协议包括 HTTP、因为抓取工具会由于重定向而无法提取规则 。
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 。
disallow 指令的值区分大小写 。HTTPS 和 FTP 。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 ，也只有在明确匹配时才会有效 。
同样 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、且无需进行网址编码 。协议和端口号上的所有子目录中的所有文件有效 。因为它与网址中的字符匹配得更多 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果没有缓存副本 ，系统会忽略行开头和结尾的空格 。
和其他网址一样，该指令将被忽略 。 例如 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，
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 。
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， | ||||||||||||
| 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
，Google 、并且只使用有效行 。如果 robots.txt 文件的字符编码不是 UTF-8， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，就会将该网站的 5xx 错误作为 404 错误处理 。请在注释前面加上 # 字符。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，只有一个组是有效的 。确定某项规则是否适用于网站上的特定网址 。 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 。一个冒号和一个值组成 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 、 | ||||||||||||
| 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 。因为它更具体 。例如，并将其作为 robots.txt 的 404 错误来处理 。并采用匿名登录方式 。详细了解基于路径值的网址匹配 。 对于路径值，HTTPS 为 443 ，以提取关于网站中哪些部分可以被抓取的信息 。
| ||||||||||||