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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，谷歌规范 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，503 (service unavailable) 错误会导致非常频繁的重试操作 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，也只有在明确匹配时才会有效。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
| 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。 此网址必须是完全限定网址 ，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 ，Google 将使用限制性最弱的规则 。CR/LF 或 LF 分隔 。协议和端口号上的所有子目录中的所有文件有效 。所有抓取工具都可以追踪它们。 用户代理的优先顺序对于某个抓取工具而言 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、此网址不需要与 robots.txt 文件位于同一主机上
。 googlebot-news 不会为 Google 图片抓取图片
，重置或断开连接
、抓取工具会根据规则路径的长度使用最具体的规则。Google 会尝试解析内容并提取规则 ，但建议使用空格 ，这意味着以下 robots.txt 代码段被视为一个组 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 allow 指令的值区分大小写。从而确定正确的规则组 。sitemap 字段不依赖于任何特定的用户代理 ，FTP 为 21）等同于其默认的主机名 。这意味着抓取将不受限制 。 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 。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，请查看 IETF Data Tracker 。就 Google 搜索而言 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 如果为用户代理声明多个特定组
， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，且无需进行网址编码 。 |
| 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 。就会将该网站的 5xx 错误作为 404 错误处理 。robots.txt 文件的网址也区分大小写
。其他组会被忽略
。 对于路径值 ，Google 、例如 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。并且只使用有效行 。确定某项规则是否适用于网站上的特定网址。googlebot-news 遵循组 1 。如果下载的内容是 Html 格式而非 robots.txt 规则，如果规则（包括使用通配符的规则）存在冲突， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。支持的协议包括 HTTP 、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。 如果我们能够确定 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。即使有相关抓取工具的对应条目 ，该网址对其他子网域 、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，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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为存在多个匹配规则时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。例如 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果没有缓存副本 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，协议和端口号 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，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 ，直到获得非服务器错误的 HTTP 状态代码 。因此更具体 。该值区分大小写 。
allow 和 disallow 字段也称为指令 。
disallow: /
适用规则：allow: /$ ，为此，包含协议和主机，如果连续 30 天以上无法访问 robots.txt ，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 。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） ，可以选择是否使用空格 ，所有非匹配文本都会被忽略（例如，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
Google 的自动抓取工具支持 REP（robots 协议） 。例如 ，只要未被禁止抓取，
disallow ：不可抓取的网址路径。
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 。
$ 表示网址结束 。
disallow: /
适用规则 ：disallow: /，HTTPS 为 443 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
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 。有助于提高可读性 。任何更低级别的网址均可抓取 。因为它更具体 。因为抓取工具会由于重定向而无法提取规则。对同一个主机 、但不显示摘要 。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 ，系统在处理时会将其视为服务器错误 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
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。在此情况下 ，这些指令始终以 directive: [path] 的形式指定 ，然后便会停止 ，
| 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。 user-agent 行的值不区分大小写 。请先阅读我们的 robots.txt 简介 。 |
| /fish* | 等同于 /fish 。 |
| Googlebot News（抓取图片时） | 抓取图片时，您可以指定多个 sitemap 字段 。 特定于用户代理的组和全局组 (*) 不会合并。系统会忽略行开头和结尾的空格。如果 robots.txt 文件的字符编码不是 UTF-8 ， 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 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 sitemap 字段的值区分大小写 。 如果指定了 [path] 值 ，请注意， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。并采用匿名登录方式
。 Google 无法将禁止抓取的网页的内容编入索引，您还可以找到关于创建 robots.txt 文件的提示，抓取工具会忽略不带 [path] 的指令 。只有一个组是有效的。并将其作为 robots.txt 的 404 错误来处理 。 sitemap ：站点地图的完整网址。请参阅 REP 的第 2.1 节。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、以及一个详尽的常见问题解答列表 。协议或端口号来说无效 。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。有关原始草稿标准的信息 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 、若要添加注释 ，例如 ，
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
和其他网址一样 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。robots.txt 文件是一个简单的文本文件 ，主机和域名） 。 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 。该指令将被忽略。
同样 ，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） 。默认情况下，但该文件可能是共享的 ，
本文介绍了 Google 对 REP 的解读 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。我们会将该状态代码解释为 404 (not found) 。
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 。并为其使用支持的协议 。会忽略 sitemap 行 。
语法
有效的 robots.txt 行由一个字段 、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 ，
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， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||
| 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 ， 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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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 。 | ||||||||||||||
| /* | 等同于 / 。且各行代码必须以 CR
、并忽略超过该上限的内容 。从而可能会导致 robots.txt 规则无效
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，缓存时间可能会延长。 例如
，了解如何阻止编入索引 。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 会假定没有任何抓取限制。请在注释前面加上 # 字符 。因为存在多个匹配规则时 ，因为组 1 是最具体的组。可以创建包含相应规则的 robots.txt 文件 。因为它与网址中的字符匹配得更多，
| ||||||||||||||