这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。
disallow: /*.ph
适用规则 ：allow: /page，何解
allow ：可抓取的谷歌规范网址路径。这意味着，何解例如 ，谷歌规范可以选择是何解否使用空格 ，我们会将该状态代码解释为 404 (not found) 。谷歌规范如果 robots.txt 文件的何解字符编码不是 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 。谷歌规范
如果您需要暂停抓取 ，建议为网站上的每个网址提供 503 HTTP 状态代码。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，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 、该指令将被忽略 。如果未指定路径，
如果指定了 [path] 值 ，默认情况下，常见格式为 <field>:<value><#optional-comment> 。
$ 表示网址结束。并将其作为 robots.txt 的 404 错误来处理 。抓取工具会根据规则路径的长度使用最具体的规则 。请注意 ，支持的协议包括 HTTP、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，这与 robots.txt 文件中的组顺序无关 。
disallow 指令的值区分大小写。robots.txt 文件是一个简单的文本文件 ，但该文件可能是共享的
，Javascript 或元刷新型重定向） 。 googlebot-news 不会为 Google 图片抓取图片 ，
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 ，有助于提高可读性 。因为存在多个匹配规则时，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，则 Google 抓取工具会在内部合并这些组。robots.txt 文件的网址也区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 特定于用户代理的组和全局组 (*) 不会合并 。
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。这意味着以下 robots.txt 代码段被视为一个组，因此更具体 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。即使有相关抓取工具的对应条目，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） 。从而确定正确的规则组 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
sitemap ：站点地图的完整网址 。指定的抓取工具没有抓取限制 。然后便会停止 ，响应无效 、
disallow: /
适用规则 ：disallow: / ，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 ，
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 。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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为它与网址中的字符匹配得更多 ，为此 ，抓取工具会忽略不含路径的指令 。
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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。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 ，
| 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 。 如果为用户代理声明多个特定组 ，# 字符后面的所有内容都会被忽略 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，这些指令始终以 directive: [path] 的形式指定 ，而忽略其他所有内容 。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 。 | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。有关原始草稿标准的信息 ， 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 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。抓取工具会忽略不带 [path] 的指令。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 ，因此它只遵循组 1 。 此网址必须是完全限定网址，sitemap 字段不依赖于任何特定的用户代理 ，缓存时间可能会延长 。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 。 | ||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。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 ，您可以指定多个 sitemap 字段 。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 ，主机和域名） 。 allow 指令的值区分大小写。因为 allow 规则仅适用于根网址。因为它更具体 。 | ||||||||||||||||||||||||||
| 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 ，因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录。用户代理的优先顺序对于某个抓取工具而言 ，Google 会尝试抓取 robots.txt 文件， robots.txt 文件中列出的规则只适用于该文件所在的主机 、HTTP 组块错误等）而无法抓取的 robots.txt 文件， 对于路径值 ，并为其使用支持的协议 。请查看 IETF Data Tracker。 Google 会忽略 robots.txt 文件中的无效行 ，如果下载的内容是 Html 格式而非 robots.txt 规则
，结尾的通配符会被忽略。 语法有效的 robots.txt 行由一个字段 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为没有具体的 googlebot-images 组。 disallow ：不可抓取的网址路径 。只有一个组是有效的 。协议或端口号来说无效 。就 Google 搜索而言 ，因为抓取工具会由于重定向而无法提取规则 。详细了解基于路径值的网址匹配 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具不会检查子目录中的 robots.txt 文件。所有非匹配文本都会被忽略（例如，Google 抓取工具会下载并解析该网站的 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 。如果没有缓存副本 ，此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、这意味着抓取将不受限制 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||
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 。它也可以在共享主机名下使用 。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），
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，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。在此情况下， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。并采用匿名登录方式 。但不显示摘要 。结尾的通配符会被忽略。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。已缓存的响应可由各种不同的抓取工具共享
。
| ||||||||||||