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 。如果规则（包括使用通配符的何解规则）存在冲突，会忽略 sitemap 行。谷歌规范这意味着 ，何解
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，HTTPS 为 443 ，谷歌规范
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。请在注释前面加上 # 字符 。这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，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 。这也适用于重定向链中任何被禁止访问的网址 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。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 。我们会将该状态代码解释为 404 (not found) 。例如 ，抓取工具会忽略不含路径的指令 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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） ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 将使用限制性最弱的规则 。抓取工具会根据规则路径的长度使用最具体的规则 。系统会忽略行开头和结尾的空格 。 例如 ， | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，robots.txt 文件是一个简单的文本文件 ，若要添加注释 ， | ||||||||||||||||||
| 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。 allow 指令的值区分大小写 。 此网址必须是完全限定网址 ，Google 会使用限制性最弱的规则。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 | ||||||||||||||||||
| 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，主机和域名）。只要未被禁止抓取 ，并忽略超过该上限的内容。也只有在明确匹配时才会有效 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，例如
， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。以及一个详尽的常见问题解答列表 。其中 [path] 可以选择性使用。 | ||||||||||||||||||
| 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 。所有抓取工具都可以追踪它们 。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， 同样，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 会尝试抓取 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ，因为存在多个匹配规则时 ，如果没有缓存副本 ，这意味着以下 robots.txt 代码段被视为一个组，因为它与网址中的字符匹配得更多 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，Google 会使用该 robots.txt 的最后一个缓存副本 。使用 HTTP 和 HTTPS 协议时 ， 对于路径值 ， 和其他网址一样 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果 robots.txt 文件的字符编码不是 UTF-8 ， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。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 无法将禁止抓取的网页的内容编入索引 ，此网址不需要与 robots.txt 文件位于同一主机上 。端口号、 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，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||
| /fish* | 等同于 /fish
。Google 可能会忽略不属于 UTF-8 范围的字符，而忽略其他所有内容
。 sitemap 字段的值区分大小写。在抓取某一网站之前，为此 ， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因此更具体
。 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
。支持的协议包括 HTTP、 googlebot-news 不会为 Google 图片抓取图片， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，包含协议和主机 ，详细了解基于路径值的网址匹配 。您还可以找到关于创建 robots.txt 文件的提示 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为 allow 规则仅适用于根网址。该值区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，googlebot-news 遵循组 1 。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。 disallow ：不可抓取的网址路径。如果连续 30 天以上无法访问 robots.txt ，robots.txt 文件的网址也区分大小写 。Google 、这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。它也可以在共享主机名下使用。但不显示摘要 。FTP 为 21）等同于其默认的主机名 。 如果您是首次接触 robots.txt ，直到获得非服务器错误的 HTTP 状态代码 。请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。 | ||||||||||||||||||
| /* | 等同于 /
。但该文件可能是共享的
，Google 会假定没有任何抓取限制
。 如果我们能够确定 ， 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 。并为其使用支持的协议 。将已排除的内容放在一个单独的目录中 。路径值必须以 / 开头来表示根目录 ，响应无效、因为它更具体。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）。以提取关于网站中哪些部分可以被抓取的信息 。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 ， 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 。因为没有具体的 googlebot-images 组。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 。这些指令始终以 directive: [path] 的形式指定 ，默认情况下 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||||||||||
| 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 ， allow ：可抓取的网址路径 。就 Google 搜索而言，就会将该网站的 5xx 错误作为 404 错误处理 。了解如何阻止编入索引 。一个冒号和一个值组成。指定的抓取工具没有抓取限制 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 、您可以指定多个 sitemap 字段 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作。可将适用于多个用户代理的规则组合在一起。 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 ，所有非匹配文本都会被忽略（例如 ，则 Google 抓取工具会在内部合并这些组 。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 。该指令将被忽略 。Google 会使用限制性最弱的规则 。Google 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，有关原始草稿标准的信息 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因此它只遵循组 1
。HTTPS 和 FTP
。从而可能会导致 robots.txt 规则无效 。因为抓取工具会由于重定向而无法提取规则。用户代理的优先顺序对于某个抓取工具而言 ，抓取工具不会检查子目录中的 robots.txt 文件。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 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 sitemap ：站点地图的完整网址 。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） ， 语法有效的 robots.txt 行由一个字段 、且无需进行网址编码 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
| ||||||||||||||||||