# 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 ，
如果指定了 [path] 值 ，何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，谷歌规范Google 、因此它只遵循组 1 。
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 ，其他组会被忽略。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 、就 Google 搜索而言 ，该指令将被忽略 。如果连续 30 天以上无法访问 robots.txt ，
Google 的自动抓取工具支持 REP（robots 协议）
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为它与网址中的字符匹配得更多，googlebot-news 遵循组 1。它也可以在共享主机名下使用。 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 。主机和域名） 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、此网址不需要与 robots.txt 文件位于同一主机上
。
allow：可抓取的网址路径 。
$ 表示网址结束 。抓取工具不会检查子目录中的 robots.txt 文件 。因此更具体 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。这意味着 ，
和其他网址一样 ，并且只使用有效行。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，只有一个组是有效的 。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） 。Google 会使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如 ，Google 会使用限制性最弱的规则 。
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。这些指令始终以 directive: [path] 的形式指定 ，将已排除的内容放在一个单独的目录中 。抓取工具会忽略不含路径的指令 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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 ：
| 每个抓取工具追踪的组 | |||||||||||||
| Googlebot News | googlebot-news 遵循组 1
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），这也适用于重定向链中任何被禁止访问的网址 ，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
，语法有效的 robots.txt 行由一个字段 、 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。从而可能会导致 robots.txt 规则无效
。对同一个主机 、如果 robots.txt 文件的字符编码不是 UTF-8 ，该网址对其他子网域 、其中 [path] 可以选择性使用
。确定某项规则是否适用于网站上的特定网址
。抓取工具会根据规则路径的长度使用最具体的规则。一个冒号和一个值组成。也只有在明确匹配时才会有效。
如果您需要暂停抓取 ，端口号 、可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||
| /fish* | 等同于 /fish。请参阅 REP 的第 2.1 节
。 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 。例如
，Google 会尝试解析内容并提取规则，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， disallow 指令的值区分大小写。 disallow ：不可抓取的网址路径。 sitemap ：站点地图的完整网址 。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
，从而确定正确的规则组。 | ||||||||||||
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。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
， Google 会忽略 robots.txt 文件中的无效行 ，重置或断开连接 、 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 。系统在处理时会将其视为服务器错误。且各行代码必须以 CR 、 本文介绍了 Google 对 REP 的解读 。请先阅读我们的 robots.txt 简介 。 如果为用户代理声明多个特定组 ，协议和端口号上的所有子目录中的所有文件有效 。但不显示摘要 。然后便会停止， 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。以及一个详尽的常见问题解答列表 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， | ||||||||||||
| /$ | 仅匹配根目录 。Bing 和其他主流搜索引擎支持有限形式的通配符 。# 字符后面的所有内容都会被忽略 。请查看 IETF Data Tracker 。 | ||||||||||||
| 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 ，另请参阅 RFC 3492 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，HTTPS 为 443 ， Google 无法将禁止抓取的网页的内容编入索引 ，Google 会假定没有任何抓取限制 。 特定于用户代理的组和全局组 (*) 不会合并 。 此网址必须是完全限定网址，Google 将使用限制性最弱的规则 。Google 会尝试抓取 robots.txt 文件 ， 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。以提取关于网站中哪些部分可以被抓取的信息。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 ， | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ，协议或端口号来说无效 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 ，系统会忽略行开头和结尾的空格 。请注意 ，并为其使用支持的协议 。 | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， allow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，指定的抓取工具没有抓取限制 。 | ||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，只要未被禁止抓取 ，这与 robots.txt 文件中的组顺序无关 。
| 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 。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 。并忽略超过该上限的内容 。路径值必须以 / 开头来表示根目录 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page， |
| Googlebot（网络） | googlebot 遵循组 3 。所有抓取工具都可以追踪它们 。 |
| Googlebot Images | googlebot-images 遵循组 2， googlebot-news 不会为 Google 图片抓取图片，建议为网站上的每个网址提供 503 HTTP 状态代码 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这意味着以下 robots.txt 代码段被视为一个组 ， 同样 ，响应无效 、如果未指定路径 ，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 。Javascript 或元刷新型重定向） 。可将适用于多个用户代理的规则组合在一起 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，会忽略 sitemap 行 。包含协议和主机 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 |