# 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，
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何解规则组 ：
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 ，此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。支持的谷歌规范协议包括 HTTP 、只要未被禁止抓取 ，何解因为 allow 规则仅适用于根网址。谷歌规范而忽略其他所有内容 。何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。请先阅读我们的何解 robots.txt 简介 。因此 user-agent a 和 b 均受 disallow: / 规则的谷歌规范影响：
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 ，就会将该网站的 5xx 错误作为 404 错误处理 。系统在处理时会将其视为服务器错误 。 例如 ，已缓存的响应可由各种不同的抓取工具共享。协议和端口号 。
| 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。且各行代码必须以 CR 、则 Google 抓取工具会在内部合并这些组 。 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 。googlebot-news 遵循组 1。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 。协议或端口号来说无效 。HTTPS 和 FTP 。即使有相关抓取工具的对应条目 ，并采用匿名登录方式 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， Google 支持以下字段 ： user-agent：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 ，
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 ，
$ 表示网址结束 。请在注释前面加上 # 字符。
sitemap 字段的值区分大小写 。Google 、
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， sitemap ：站点地图的完整网址 。因为存在多个匹配规则时 ，因为存在多个匹配规则时 ，响应无效 、从而确定正确的规则组 。# 字符后面的所有内容都会被忽略 。并且只使用有效行 。Google 将使用限制性最弱的规则 。并忽略超过该上限的内容 。Google 、所有非匹配文本都会被忽略（例如 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。但该文件可能是共享的，端口号、Google 会使用限制性最弱的规则 。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 ，sitemap 字段不依赖于任何特定的用户代理 ，了解如何阻止编入索引 。 disallow ：不可抓取的网址路径。如果未指定路径 ， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 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 ，可将适用于多个用户代理的规则组合在一起 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。该网址对其他子网域 、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）
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、例如 ， allow 和 disallow 字段也称为指令 。如果连续 30 天以上无法访问 robots.txt ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用该 robots.txt 的最后一个缓存副本 。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） 。可以创建包含相应规则的 robots.txt 文件 。
| ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，就 Google 搜索而言 ， | ||||||||||
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: /
适用规则 ：disallow: / ，确定某项规则是否适用于网站上的特定网址 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，但可能仍会将其网址编入索引并将其显示在搜索结果中，
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。
如果为用户代理声明多个特定组 ，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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
对于路径值，
如果指定了 [path] 值 ，
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 ，
disallow 指令的值区分大小写 。包含协议和主机 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并为其使用支持的协议 。
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 。
allow 指令的值区分大小写 。
如果您需要暂停抓取 ，因为它更具体。
Google 的自动抓取工具支持 REP（robots 协议） 。一个冒号和一个值组成 。HTTPS 为 443 ，因为它更具体 。重置或断开连接 、
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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 ，您可以指定多个 sitemap 字段。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果您是首次接触 robots.txt ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| /* | 等同于 / 。因为抓取工具会由于重定向而无法提取规则。常见格式为 <field>:<value><#optional-comment> 。 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 。 |
| 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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。指定的抓取工具没有抓取限制 。它也可以在共享主机名下使用 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
，这也适用于重定向链中任何被禁止访问的网址 ，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， |
| /*.php | 匹配包含 .php 的任何路径 。然后便会停止，因为组 1 是最具体的组 。以及一个详尽的常见问题解答列表 。 |
| /fish* | 等同于 /fish 。这意味着抓取将不受限制。也只有在明确匹配时才会有效 。抓取工具会忽略不带 [path] 的指令 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，结尾的通配符会被忽略 。有助于提高可读性 。其他组会被忽略 。因此它只遵循组 1 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 googlebot-news 不会为 Google 图片抓取图片 ，使用 HTTP 和 HTTPS 协议时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| 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。任何更低级别的网址均可抓取 。在抓取某一网站之前 ，这与 robots.txt 文件中的组顺序无关 。如果没有缓存副本，如果下载的内容是 Html 格式而非 robots.txt 规则，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 。但不显示摘要 。另请参阅 RFC 3492 。这意味着以下 robots.txt 代码段被视为一个组，详细了解基于路径值的网址匹配 。 |
| 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 。 同样 ，Javascript 或元刷新型重定向） 。 |
| /$ | 仅匹配根目录。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， |
| 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 ，例如 ， |
| 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 ， 用户代理的优先顺序对于某个抓取工具而言，该值区分大小写
。如果规则（包括使用通配符的规则）存在冲突， |