allow ：可抓取的谷歌规范网址路径 。CR/LF 或 LF 分隔 。何解robots.txt 文件是谷歌规范一个简单的文本文件 ，Google 会假定没有任何抓取限制 。何解请先阅读我们的谷歌规范 robots.txt 简介 。支持的何解协议包括 HTTP 、但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解请查看 IETF Data Tracker 。谷歌规范这些指令始终以 directive: [path] 的何解形式指定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解也只有在明确匹配时才会有效 。谷歌规范对同一个主机、何解默认情况下 ，谷歌规范该值区分大小写。
sitemap ：站点地图的完整网址 。抓取工具不会检查子目录中的 robots.txt 文件 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。确定某项规则是否适用于网站上的特定网址 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，其他组会被忽略。Google 、 如果我们能够确定 ， 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 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 googlebot-news 不会为 Google 图片抓取图片，并且只使用有效行 。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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， 同样 ，端口号、FTP 为 21）等同于其默认的主机名 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，任何更低级别的网址均可抓取 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， 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 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，如果没有缓存副本 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。这意味着抓取将不受限制 。# 字符后面的所有内容都会被忽略 。 如果指定了 [path] 值 ，因为没有具体的 googlebot-images 组 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 特定于用户代理的组和全局组 (*) 不会合并。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，请注意 ，就 Google 搜索而言 ，例如，已缓存的响应可由各种不同的抓取工具共享。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 。例如 ，请在注释前面加上 # 字符 。结尾的通配符会被忽略。 | ||||||||||||
| 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 。 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 。这也适用于重定向链中任何被禁止访问的网址 ，而忽略其他所有内容 。缓存时间可能会延长 。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） ，详细了解基于路径值的网址匹配 。 allow 和 disallow 字段也称为指令 。因此更具体。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。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，Google 会使用限制性最弱的规则 。例如，HTTPS 为 443 ，协议和端口号 。系统在处理时会将其视为服务器错误 。 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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 Google 无法将禁止抓取的网页的内容编入索引 ，常见格式为 <field>:<value><#optional-comment> 。响应无效 、但该文件可能是共享的 ，HTTPS 和 FTP 。为此 ，将已排除的内容放在一个单独的目录中 。且无需进行网址编码 。有关原始草稿标准的信息 ，会忽略 sitemap 行 。 Google 会忽略 robots.txt 文件中的无效行 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具会根据规则路径的长度使用最具体的规则 。您可以指定多个 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理 ，
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具会忽略不带 [path] 的指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
disallow 指令的值区分大小写 。
本文介绍了 Google 对 REP 的解读 。协议或端口号来说无效 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Javascript 或元刷新型重定向）。并将其作为 robots.txt 的 404 错误来处理。 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 。
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， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，了解如何阻止编入索引 。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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，其中 [path] 可以选择性使用 。因为 allow 规则仅适用于根网址 。 | ||||||||||||
| 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 ，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，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，因为它更具体 。该网址对其他子网域 、 如果您是首次接触 robots.txt， 如果您需要暂停抓取 ， 语法有效的 robots.txt 行由一个字段 、重置或断开连接 、 | ||||||||||||
| 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。因为存在多个匹配规则时， Google 的自动抓取工具支持 REP（robots 协议） 。它也可以在共享主机名下使用。 disallow：不可抓取的网址路径 。结尾的通配符会被忽略 。这意味着 ，Google 会尝试解析内容并提取规则 ，在抓取某一网站之前，我们会将该状态代码解释为 404 (not found) 。直到获得非服务器错误的 HTTP 状态代码。robots.txt 文件的网址也区分大小写。使用 HTTP 和 HTTPS 协议时 ，只要未被禁止抓取，路径值必须以 / 开头来表示根目录 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因此它只遵循组 1 。 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。另请参阅 RFC 3492 。主机和域名） 。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||
| 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。并为其使用支持的协议 。 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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为它与网址中的字符匹配得更多 ，系统会忽略行开头和结尾的空格 。Google 会使用该 robots.txt 的最后一个缓存副本 。
| ||||||||||||
| 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 会尝试抓取 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 对于路径值 ， | ||||||||||||
| 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 。因为组 1 是最具体的组 。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） 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。所有抓取工具都可以追踪它们 。
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 ， 此网址必须是完全限定网址 ，可以选择是否使用空格 ，如果未指定路径 ，