disallow: /folder
适用规则 ：allow: /folder，何解这与 robots.txt 文件中的谷歌规范组顺序无关 。这意味着以下 robots.txt 代码段被视为一个组 ，何解您可以指定多个 sitemap 字段 。谷歌规范对同一个主机 、何解在抓取某一网站之前 ，谷歌规范Google、何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范抓取工具会忽略不含路径的何解指令 。
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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
，
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
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 ，将已排除的内容放在一个单独的目录中 。所有抓取工具都可以追踪它们 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。确定某项规则是否适用于网站上的特定网址。
和其他网址一样，
语法
有效的 robots.txt 行由一个字段 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。我们会将该状态代码解释为 404 (not found) 。就会将该网站的 5xx 错误作为 404 错误处理。结尾的通配符会被忽略 。协议或端口号来说无效。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
如果指定了 [path] 值，因为存在多个匹配规则时 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具不会检查子目录中的 robots.txt 文件 。请注意 ，
user-agent 行的值不区分大小写 。
disallow：不可抓取的网址路径 。从而可能会导致 robots.txt 规则无效 。并将其作为 robots.txt 的 404 错误来处理 。例如 ，主机和域名） 。
Google 的自动抓取工具支持 REP（robots 协议） 。
allow 指令的值区分大小写 。详细了解基于路径值的网址匹配 。
本文介绍了 Google 对 REP 的解读 。# 字符后面的所有内容都会被忽略 。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 。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。以及一个详尽的常见问题解答列表 。这意味着抓取将不受限制 。因为它更具体 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
如果您需要暂停抓取 ，例如 ，
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 如果您是首次接触 robots.txt ，
disallow: /
适用规则 ：disallow: /，Google 会尝试解析内容并提取规则，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。结尾的通配符会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），其中 [path] 可以选择性使用 。建议为网站上的每个网址提供 503 HTTP 状态代码 。端口号 、
allow 和 disallow 字段也称为指令 。并采用匿名登录方式 。支持的协议包括 HTTP 、因为组 1 是最具体的组 。而忽略其他所有内容 。有助于提高可读性 。Google 会尝试抓取 robots.txt 文件 ，
disallow: /*.ph
适用规则 ：allow: /page ，则 Google 抓取工具会在内部合并这些组 。协议和端口号上的所有子目录中的所有文件有效。这也适用于重定向链中任何被禁止访问的网址 ，系统在处理时会将其视为服务器错误 。
disallow: /
适用规则 ：allow: /$ ，但不显示摘要 。只有一个组是有效的。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，请在注释前面加上 # 字符 。如果没有缓存副本 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，它也可以在共享主机名下使用 。
Google 会忽略 robots.txt 文件中的无效行 ，缓存时间可能会延长 。该网址对其他子网域 、googlebot-news 遵循组 1 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。只要未被禁止抓取 ，且各行代码必须以 CR 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
sitemap：站点地图的完整网址 。
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。抓取工具会根据规则路径的长度使用最具体的规则 。所有非匹配文本都会被忽略（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
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。sitemap 字段不依赖于任何特定的用户代理 ， |
| /* | 等同于 /。 disallow 指令的值区分大小写 。FTP 为 21）等同于其默认的主机名 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，即使有相关抓取工具的对应条目 ，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 、因为它更具体。因为它与网址中的字符匹配得更多 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，常见格式为 <field>:<value><#optional-comment> 。协议和端口号。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 。因为抓取工具会由于重定向而无法提取规则 。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 ，但建议使用空格 ，
sitemap 字段的值区分大小写 。
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 。 特定于用户代理的组和全局组 (*) 不会合并 。且无需进行网址编码 。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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时， 例如，Google 会假定没有任何抓取限制。其他组会被忽略。 此网址必须是完全限定网址 ，以提取关于网站中哪些部分可以被抓取的信息 。
allow ：可抓取的网址路径 。
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
对于路径值，
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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。这些指令始终以 directive: [path] 的形式指定 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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 | |||||||||||||||||||||||||||||
| 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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
| ||||||||||||||||||||||||||||