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 文件是谷歌规范一个简单的文本文件 ，支持的何解协议包括 HTTP 、响应无效、谷歌规范默认情况下 ，何解如果没有缓存副本 ，谷歌规范
示例
user-agent 字段的何解匹配情况
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，如果连续 30 天以上无法访问 robots.txt
，谷歌规范 对于路径值 ，何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表。请参阅 REP 的第 2.1 节 。 allow ：可抓取的网址路径 。 特定于用户代理的组和全局组 (*) 不会合并 。可将适用于多个用户代理的规则组合在一起。然后便会停止 ，例如，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 。可以创建包含相应规则的 robots.txt 文件。并将其作为 robots.txt 的 404 错误来处理。它也可以在共享主机名下使用。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并采用匿名登录方式 。Google 会尝试解析内容并提取规则 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， |
| /fish* | 等同于 /fish
。 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 。则 Google 抓取工具会在内部合并这些组。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，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 ，Javascript 或元刷新型重定向） 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。 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 。重置或断开连接、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，并为其使用支持的协议 。一个冒号和一个值组成 。但建议使用空格 ，因为它与网址中的字符匹配得更多 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ，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 ，会忽略 sitemap 行。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 。CR/LF 或 LF 分隔。系统在处理时会将其视为服务器错误。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 ， 本文介绍了 Google 对 REP 的解读。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。# 字符后面的所有内容都会被忽略 。 例如 ， |
allow 和 disallow 字段也称为指令 。
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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这意味着以下 robots.txt 代码段被视为一个组 ，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。googlebot-news 遵循组 1。503 (service unavailable) 错误会导致非常频繁的重试操作 。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 。任何更低级别的网址均可抓取 。Google 会使用该 robots.txt 的最后一个缓存副本。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
Google 的自动抓取工具支持 REP（robots 协议） 。
语法
有效的 robots.txt 行由一个字段 、为此 ，
sitemap ：站点地图的完整网址 。以及一个详尽的常见问题解答列表 。例如 ，
disallow 指令的值区分大小写 。
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 ， googlebot-news 不会为 Google 图片抓取图片 ，但不显示摘要 。而忽略其他所有内容 。其他组会被忽略 。
disallow: /
适用规则 ：allow: /$ ，并且只使用有效行 。如果规则（包括使用通配符的规则）存在冲突 ，有关原始草稿标准的信息 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，所有抓取工具都可以追踪它们 。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 ，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 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
和其他网址一样 ，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）。缓存时间可能会延长 。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 。详细了解基于路径值的网址匹配 。从而可能会导致 robots.txt 规则无效。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 将使用限制性最弱的规则 。主机和域名） 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为存在多个匹配规则时，从而确定正确的规则组 。包含协议和主机 ，抓取工具会忽略不带 [path] 的指令 。该值区分大小写 。
同样 ，这也适用于重定向链中任何被禁止访问的网址，指定的抓取工具没有抓取限制 。协议和端口号 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。sitemap 字段不依赖于任何特定的用户代理 ，此网址不需要与 robots.txt 文件位于同一主机上 。确定某项规则是否适用于网站上的特定网址 。
如果指定了 [path] 值 ，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 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。已缓存的响应可由各种不同的抓取工具共享 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，因为没有具体的 googlebot-images 组
。这与 robots.txt 文件中的组顺序无关。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
disallow: /
适用规则 ：disallow: / ，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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为抓取工具会由于重定向而无法提取规则 。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。HTTPS 和 FTP 。如果未指定路径 ，请查看 IETF Data Tracker 。只要未被禁止抓取 ，路径值必须以 / 开头来表示根目录 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，也只有在明确匹配时才会有效 。Bing 和其他主流搜索引擎支持有限形式的通配符。Google 、若要添加注释 ，因为存在多个匹配规则时 ，
disallow: /*.htm
适用规则：disallow: /*.htm，这意味着抓取将不受限制 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，另请参阅 RFC 3492 。
disallow: /folder
适用规则 ：allow: /folder ，Google 会使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。您还可以找到关于创建 robots.txt 文件的提示 ，将已排除的内容放在一个单独的目录中。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，协议或端口号来说无效 。Google 会假定没有任何抓取限制 。结尾的通配符会被忽略。
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， 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 。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） ，了解如何阻止编入索引。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， user-agent 行的值不区分大小写。 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 。 如果您是首次接触 robots.txt ，Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ，抓取工具不会检查子目录中的 robots.txt 文件 。 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。 Google 无法将禁止抓取的网页的内容编入索引，直到获得非服务器错误的 HTTP 状态代码 。这意味着 ， | ||||||||||||||||||||||||
| 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 ，以提取关于网站中哪些部分可以被抓取的信息 。协议和端口号上的所有子目录中的所有文件有效
。HTTPS 为 443 ，因为 allow 规则仅适用于根网址。 如果为用户代理声明多个特定组，请注意， | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 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 ，其中 [path] 可以选择性使用 。即使有相关抓取工具的对应条目 ，可以选择是否使用空格，您可以指定多个 sitemap 字段 。端口号 、 | ||||||||||||||||||||||||
| 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 。 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 ，并忽略超过该上限的内容 。就 Google 搜索而言 ，常见格式为 <field>:<value><#optional-comment> 。 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 、 | ||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 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。FTP 为 21）等同于其默认的主机名 。该指令将被忽略 。请在注释前面加上 # 字符 。
| ||||||||||||||||||||||||