# 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 ，如果连续 30 天以上无法访问 robots.txt ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，该网址对其他子网域 、谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机、如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，协议和端口号上的谷歌规范所有子目录中的所有文件有效 。
| 错误处理和 HTTP 状态代码 | |||||||||||||||||
| 2xx（成功） | 表示成功的何解 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。 | ||||||||||||||||
| /* | 等同于 / 。谷歌规范 如果您需要暂停抓取 ，何解系统会忽略行开头和结尾的谷歌规范空格 。因为没有具体的 googlebot-images 组 。对同一个主机、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment>。请在注释前面加上 # 字符 。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 、 如果您是首次接触 robots.txt ， 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
。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 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：
规则的优先顺序匹配 robots.txt 规则与网址时 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 将使用限制性最弱的规则。指定的抓取工具没有抓取限制 。端口号 、但该文件可能是共享的 ，Google 会假定没有任何抓取限制 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。这意味着，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 ，可以选择是否使用空格，直到获得非服务器错误的 HTTP 状态代码 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。有关原始草稿标准的信息，googlebot-news 遵循组 1 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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）。有助于提高可读性 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，响应无效 、抓取工具会忽略不含路径的指令 。Bing 和其他主流搜索引擎支持有限形式的通配符。若要添加注释 ，就会将该网站的 5xx 错误作为 404 错误处理 。默认情况下， 对于路径值 ，系统在处理时会将其视为服务器错误 。这些指令始终以 directive: [path] 的形式指定 ， Google 会忽略 robots.txt 文件中的无效行 ， 例如 ，例如 ， 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 。另请参阅 RFC 3492 。并为其使用支持的协议。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 和其他网址一样 ，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。并将其作为 robots.txt 的 404 错误来处理。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 。 | ||||||||||||||||
| 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 。因此它只遵循组 1。所有抓取工具都可以追踪它们 。因为它与网址中的字符匹配得更多 ，这意味着抓取将不受限制 。结尾的通配符会被忽略 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 allow 和 disallow 字段也称为指令。会忽略 sitemap 行 。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 ， | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，如果 robots.txt 文件的字符编码不是 UTF-8 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。而忽略其他所有内容 。 | ||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会使用限制性最弱的规则 。
user-agent 行的值不区分大小写。CR/LF 或 LF 分隔 。然后便会停止 ，Javascript 或元刷新型重定向）。请参阅 Google 抓取工具和用户代理字符串 ，例如 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， |
| 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 ， 如果我们能够确定 ，Google 、详细了解基于路径值的网址匹配 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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 。这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。请查看 IETF Data Tracker 。为此，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。只有一个组是有效的。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， |
| /fish* | 等同于 /fish。Google 可能会忽略不属于 UTF-8 范围的字符 ，FTP 为 21）等同于其默认的主机名 。 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。且无需进行网址编码 。这也适用于重定向链中任何被禁止访问的网址， 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。因为存在多个匹配规则时 ，了解如何阻止编入索引 。sitemap 字段不依赖于任何特定的用户代理 ， |
| Googlebot Images | googlebot-images 遵循组 2，该值区分大小写 。重置或断开连接 、该指令将被忽略 。 特定于用户代理的组和全局组 (*) 不会合并 。任何更低级别的网址均可抓取 。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 。包含协议和主机 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。协议或端口号来说无效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，在抓取某一网站之前 ，Google 会尝试抓取 robots.txt 文件 ，抓取工具不会检查子目录中的 robots.txt 文件 。并忽略超过该上限的内容 。如果未指定路径 ， |
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 。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow：不可抓取的网址路径 。从而可能会导致 robots.txt 规则无效。
如果为用户代理声明多个特定组，例如，请注意 ，这与 robots.txt 文件中的组顺序无关 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，路径值必须以 / 开头来表示根目录 ，只要未被禁止抓取 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。缓存时间可能会延长 。因为它更具体 。
| 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 。 本文介绍了 Google 对 REP 的解读。并采用匿名登录方式 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 |
| 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。且各行代码必须以 CR 、结尾的通配符会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。以提取关于网站中哪些部分可以被抓取的信息 。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 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， 同样
， 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 ， sitemap 字段的值区分大小写 。例如 ，Google 会使用该 robots.txt 的最后一个缓存副本 。# 字符后面的所有内容都会被忽略 。以及一个详尽的常见问题解答列表 。 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 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，您可以指定多个 sitemap 字段 。 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 ，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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，它也可以在共享主机名下使用 。主机和域名）。 |
| 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 。Google 会尝试解析内容并提取规则 ，将已排除的内容放在一个单独的目录中 。已缓存的响应可由各种不同的抓取工具共享。 allow 指令的值区分大小写。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，建议为网站上的每个网址提供 503 HTTP 状态代码 。例如： 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 。则 Google 抓取工具会在内部合并这些组 。 Google 无法将禁止抓取的网页的内容编入索引，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 ，所有非匹配文本都会被忽略（例如 ， 如果指定了 [path] 值， |
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 ，
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，因此更具体 。
disallow: /folder
适用规则 ：allow: /folder ，因为 allow 规则仅适用于根网址 。