# 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，若要添加注释，谷歌规范
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，
本文介绍了 Google 对 REP 的谷歌规范解读。包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，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 ，谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、
如果指定了 [path] 值 ，谷歌规范
disallow: /
适用规则 ：allow: /$ ，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。已缓存的响应可由各种不同的抓取工具共享 。如果没有缓存副本，
disallow 指令的值区分大小写 。
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 ，Google 会使用限制性最弱的规则 。会忽略 sitemap 行 。该网址对其他子网域 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
$ 表示网址结束 。
用户代理的优先顺序
对于某个抓取工具而言 ，
allow ：可抓取的网址路径 。您可以指定多个 sitemap 字段 。HTTPS 为 443 ，如果规则（包括使用通配符的规则）存在冲突， 如果您是首次接触 robots.txt，
user-agent 行的值不区分大小写 。而忽略其他所有内容 。
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 ，
| 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 。robots.txt 文件是一个简单的文本文件，抓取工具会忽略不带 [path] 的指令。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ，端口号 、请参阅 REP 的第 2.1 节 。 Google 无法将禁止抓取的网页的内容编入索引，这意味着抓取将不受限制。结尾的通配符会被忽略 。可将适用于多个用户代理的规则组合在一起。在抓取某一网站之前 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，默认情况下 ，所有非匹配文本都会被忽略（例如 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但不显示摘要
。也只有在明确匹配时才会有效
。sitemap 字段不依赖于任何特定的用户代理， | ||||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、googlebot/1.2 和 googlebot* 均等同于 googlebot）
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，但该文件可能是共享的 ， | ||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||||||||||||||||||||
| 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
，并为其使用支持的协议。例如
， 例如，只要未被禁止抓取， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。请注意 ，常见格式为 <field>:<value><#optional-comment> 。Google 会使用该 robots.txt 的最后一个缓存副本 。系统会忽略行开头和结尾的空格。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 、建议为网站上的每个网址提供 503 HTTP 状态代码。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，我们会将该状态代码解释为 404 (not found)。可以选择是否使用空格，指定的抓取工具没有抓取限制 。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 。支持的协议包括 HTTP 、请参阅 Google 抓取工具和用户代理字符串 ， 同样 ，重置或断开连接 、主机和域名） 。以提取关于网站中哪些部分可以被抓取的信息 。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 ， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。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 ，如果连续 30 天以上无法访问 robots.txt，另请参阅 RFC 3492。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 ，且无需进行网址编码。FTP 为 21）等同于其默认的主机名 。Google 将使用限制性最弱的规则 。因为它与网址中的字符匹配得更多 ， allow 指令的值区分大小写 。这与 robots.txt 文件中的组顺序无关。缓存时间可能会延长。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 。 | ||||||||||||||||||||||||||||||||||
| 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 。为此 ，系统在处理时会将其视为服务器错误。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）。CR/LF 或 LF 分隔 。只有一个组是有效的 。Google 、robots.txt 文件的网址也区分大小写 。 此网址必须是完全限定网址， Google 的自动抓取工具支持 REP（robots 协议） 。 sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，就 Google 搜索而言 ，并将其作为 robots.txt 的 404 错误来处理 。
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 。请在注释前面加上 # 字符 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，有关原始草稿标准的信息 ，
语法
有效的 robots.txt 行由一个字段 、
sitemap ：站点地图的完整网址 。因此它只遵循组 1 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，此网址不需要与 robots.txt 文件位于同一主机上。
如果您需要暂停抓取，因为 allow 规则仅适用于根网址
。Google 会尝试解析内容并提取规则
，
如果我们能够确定，协议或端口号来说无效。
disallow: /folder
适用规则 ：allow: /folder ，因为存在多个匹配规则时 ，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 ，响应无效、
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，就会将该网站的 5xx 错误作为 404 错误处理 。 对于路径值，在此情况下 ，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。例如，googlebot-news 遵循组 1 。 |
| 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 robots.txt 文件的字符编码不是 UTF-8，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |