disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。
| 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 。谷歌规范您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小。robots.txt 文件的谷歌规范网址也区分大小写。请在注释前面加上 # 字符。何解将已排除的谷歌规范内容放在一个单独的目录中 。 例如，何解 user-agent 行的谷歌规范值不区分大小写 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。何解 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的谷歌规范规定跟踪至少五次重定向，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如
， 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
。对同一个主机
、抓取工具不会检查子目录中的 robots.txt 文件 。 对于路径值 ， | ||||||||
| /$ | 仅匹配根目录 。CR/LF 或 LF 分隔 。googlebot-news 遵循组 1。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 会假定没有任何抓取限制 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，但可能仍会将其网址编入索引并将其显示在搜索结果中，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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） ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3。 如果指定了 [path] 值 ，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 ，这与 robots.txt 文件中的组顺序无关 。可将适用于多个用户代理的规则组合在一起。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 ，这意味着抓取将不受限制 。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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但建议使用空格 ，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 。 Google 的自动抓取工具支持 REP（robots 协议）。请参阅 REP 的第 2.1 节 。 此网址必须是完全限定网址 ， | ||||||||
| /fish* | 等同于 /fish 。因为 allow 规则仅适用于根网址 。抓取工具会忽略不含路径的指令。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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 会尝试解析内容并提取规则， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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） 。这些指令始终以 directive: [path] 的形式指定，这也适用于重定向链中任何被禁止访问的网址 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，该网址对其他子网域 、另请参阅 RFC 3492 。 | ||||||||
allow ：可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引 ，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:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，因为它更具体 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。主机和域名） 。协议和端口号 。例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。您可以指定多个 sitemap 字段。建议为网站上的每个网址提供 503 HTTP 状态代码 。而忽略其他所有内容 。缓存时间可能会延长。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，以提取关于网站中哪些部分可以被抓取的信息 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 会尝试抓取 robots.txt 文件 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，只有一个组是有效的 。
allow 和 disallow 字段也称为指令 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，
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 。结尾的通配符会被忽略
。路径值必须以 / 开头来表示根目录
， 特定于用户代理的组和全局组 (*) 不会合并 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
disallow: /*.ph
适用规则 ：allow: /page ，若要添加注释 ，
| 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。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。sitemap 字段不依赖于任何特定的用户代理 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果 robots.txt 文件的字符编码不是 UTF-8 ，如果连续 30 天以上无法访问 robots.txt ，系统在处理时会将其视为服务器错误 。 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 。 sitemap 字段的值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组，为此
，FTP 为 21）等同于其默认的主机名 。请查看 IETF Data Tracker
。其他组会被忽略 。 | ||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，默认情况下 ，
和其他网址一样 ，该指令将被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。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 ，HTTPS 为 443 ，在此情况下 ，
用户代理的优先顺序
对于某个抓取工具而言 ，因此它只遵循组 1 。有关原始草稿标准的信息 ，支持的协议包括 HTTP 、
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，其中 [path] 可以选择性使用 。直到获得非服务器错误的 HTTP 状态代码。可以选择是否使用空格
，
如果我们能够确定 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，并采用匿名登录方式 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、只要未被禁止抓取 ， 如果您是首次接触 robots.txt ，此网址不需要与 robots.txt 文件位于同一主机上 。 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 ， allow 指令的值区分大小写。如果未指定路径 ，已缓存的响应可由各种不同的抓取工具共享。Google 将使用限制性最弱的规则。且无需进行网址编码 。因为组 1 是最具体的组 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，则 Google 抓取工具会在内部合并这些组 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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 、 |
| 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 。请参阅 Google 抓取工具和用户代理字符串 ，所有抓取工具都可以追踪它们 。 |