disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径 。即使有相关抓取工具的何解对应条目 ，
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
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 ，系统会忽略行开头和结尾的何解空格。
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，也只有在明确匹配时才会有效 。何解有关原始草稿标准的谷歌规范信息
，
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap ：站点地图的谷歌规范完整网址 。例如 ，何解抓取工具会忽略不带 [path] 的谷歌规范指令。
如果我们能够确定 ，将已排除的内容放在一个单独的目录中 。
allow 和 disallow 字段也称为指令 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
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，请注意 ，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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。常见格式为 <field>:<value><#optional-comment> 。包含协议和主机 ，只要未被禁止抓取 ，如果没有缓存副本 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着 ，
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 会使用限制性最弱的规则 。
本文介绍了 Google 对 REP 的解读 。
| 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。 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 ，另请参阅 RFC 3492 。 |
| 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，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。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 ，端口号 、 此网址必须是完全限定网址 ，可将适用于多个用户代理的规则组合在一起 。sitemap 字段不依赖于任何特定的用户代理 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，从而确定正确的规则组。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。而忽略其他所有内容 。所有抓取工具都可以追踪它们 。googlebot-news 遵循组 1 。 |
| 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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， disallow 指令的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ， |
| /$ | 仅匹配根目录 。如果未指定路径 ， Google 会忽略 robots.txt 文件中的无效行 ，已缓存的响应可由各种不同的抓取工具共享。确定某项规则是否适用于网站上的特定网址 。该网址对其他子网域 、在抓取某一网站之前 ，协议或端口号来说无效 。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）， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，只有一个组是有效的 。
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 。因此它只遵循组 1 。 例如，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 ，这与 robots.txt 文件中的组顺序无关 。
$ 表示网址结束 。支持的协议包括 HTTP 、为此 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，可以创建包含相应规则的 robots.txt 文件 。抓取工具会根据规则路径的长度使用最具体的规则 。抓取工具会忽略不含路径的指令 。以及一个详尽的常见问题解答列表 。
allow 指令的值区分大小写 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会假定没有任何抓取限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的 robots.txt 行由一个字段、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
如果您需要暂停抓取 ，因此更具体 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
user-agent 行的值不区分大小写 。CR/LF 或 LF 分隔 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。就 Google 搜索而言 ，路径值必须以 / 开头来表示根目录 ，
disallow: /
适用规则 ：allow: /$ ，这意味着以下 robots.txt 代码段被视为一个组，
同样 ，请参阅 Google 抓取工具和用户代理字符串 ，
disallow ：不可抓取的网址路径 。
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 ，可以选择是否使用空格 ， |
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。请先阅读我们的 robots.txt 简介。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，其他组会被忽略 。如果规则（包括使用通配符的规则）存在冲突 ，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） 。协议和端口号上的所有子目录中的所有文件有效 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，请查看 IETF Data Tracker 。因为它更具体 。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 ，但该文件可能是共享的，该值区分大小写。 |
| 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为没有具体的 googlebot-images 组 。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 、 user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 特定于用户代理的组和全局组 (*) 不会合并 。并采用匿名登录方式。 如果为用户代理声明多个特定组 ，请参阅 REP 的第 2.1 节。指定的抓取工具没有抓取限制 。以提取关于网站中哪些部分可以被抓取的信息 。 |
| /fish* | 等同于 /fish 。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 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，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 ，响应无效 、因为它与网址中的字符匹配得更多 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。它也可以在共享主机名下使用。 |
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，主机和域名）。Google 会尝试抓取 robots.txt 文件 ，并将其作为 robots.txt 的 404 错误来处理 。并为其使用支持的协议。
和其他网址一样 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。结尾的通配符会被忽略 。
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 。robots.txt 文件是一个简单的文本文件 ，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 。这意味着抓取将不受限制 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
Google 无法将禁止抓取的网页的内容编入索引 ，
如果指定了 [path] 值 ，Google 会使用限制性最弱的规则。FTP 为 21）等同于其默认的主机名 。并忽略超过该上限的内容 。
| 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 。 | ||||||||||||||||
| 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 。
| ||||||||||||||||