# 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
，
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
Google 无法将禁止抓取的网页的内容编入索引 ，响应无效 、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 。一个冒号和一个值组成 。
| 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。其他组会被忽略。 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 ，这与 robots.txt 文件中的组顺序无关 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 如果指定了 [path] 值 ，如果连续 30 天以上无法访问 robots.txt，因为 allow 规则仅适用于根网址。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 。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，请参阅 Google 抓取工具和用户代理字符串 ， 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 。可以选择是否使用空格 ， disallow 指令的值区分大小写 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。系统在处理时会将其视为服务器错误 。确定某项规则是否适用于网站上的特定网址 。并采用匿名登录方式 。如果 robots.txt 文件的字符编码不是 UTF-8
，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 、另请参阅 RFC 3492 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。请参阅 REP 的第 2.1 节 。 googlebot-news 不会为 Google 图片抓取图片 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。而忽略其他所有内容 。从而可能会导致 robots.txt 规则无效 。 | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果您需要暂停抓取 ，以及一个详尽的常见问题解答列表
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，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 ，就会将该网站的 5xx 错误作为 404 错误处理。
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
，直到获得非服务器错误的 HTTP 状态代码 。 如果您是首次接触 robots.txt
，支持的协议包括 HTTP 、 此网址必须是完全限定网址 ，Google 会假定没有任何抓取限制 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，因此更具体 。就 Google 搜索而言 ， | ||||||||||||
| /fish* | 等同于 /fish 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， disallow：不可抓取的网址路径 。因为没有具体的 googlebot-images 组 。但不显示摘要 。且各行代码必须以 CR 、 sitemap ：站点地图的完整网址。 对于路径值 ，为此 ，如果下载的内容是 Html 格式而非 robots.txt 规则，对同一个主机、 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 ， | ||||||||||||
| 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 。 $ 表示网址结束 。该指令将被忽略 。此网址不需要与 robots.txt 文件位于同一主机上 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。有关原始草稿标准的信息，抓取工具会根据规则路径的长度使用最具体的规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，有助于提高可读性 。主机和域名） 。并且只使用有效行 。该值区分大小写 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||
| http://www.exämple.com/robots.txt | 适用于
： 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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、
| ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ， allow 指令的值区分大小写 。 | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||
| 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 。并忽略超过该上限的内容 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，重置或断开连接 、任何更低级别的网址均可抓取 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||||
| /* | 等同于 /。语法有效的 robots.txt 行由一个字段 、如果没有缓存副本， | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ，这也适用于重定向链中任何被禁止访问的网址 ，可将适用于多个用户代理的规则组合在一起 。若要添加注释 ，请在注释前面加上 # 字符。Google、
不适用于 ： http://example.com/
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。所有非匹配文本都会被忽略（例如 ，robots.txt 文件的网址也区分大小写 。但建议使用空格 ，
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 ，
用户代理的优先顺序
对于某个抓取工具而言，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 。Google 将使用限制性最弱的规则 。HTTPS 为 443 ，并将其作为 robots.txt 的 404 错误来处理 。
disallow: /
适用规则 ：disallow: / ，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，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） 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具会忽略不带 [path] 的指令 。
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 ，因此它只遵循组 1 。结尾的通配符会被忽略 。
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
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为它更具体。该网址对其他子网域、
如果我们能够确定，
如果为用户代理声明多个特定组 ，结尾的通配符会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作 。协议和端口号 。因为它更具体 。Google 会使用限制性最弱的规则 。请先阅读我们的 robots.txt 简介 。这意味着 ，因为抓取工具会由于重定向而无法提取规则 。将已排除的内容放在一个单独的目录中 。
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 例如 ，请注意 ，
同样 ，协议和端口号上的所有子目录中的所有文件有效。请查看 IETF Data Tracker 。但该文件可能是共享的 ，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。
| 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 。并为其使用支持的协议 。这意味着抓取将不受限制。 |
| 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 ，Google 会使用限制性最弱的规则 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。例如 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，在抓取某一网站之前 ，包含协议和主机
，Google
、 本文介绍了 Google 对 REP 的解读。系统会忽略行开头和结尾的空格 。 |
| /*.php | 匹配包含 .php 的任何路径 。也只有在明确匹配时才会有效 。其中 [path] 可以选择性使用。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，它也可以在共享主机名下使用。因为组 1 是最具体的组 。然后便会停止，CR/LF 或 LF 分隔 。sitemap 字段不依赖于任何特定的用户代理， |