# 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 ，
disallow: /
适用规则 ：disallow: /，何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，
disallow ：不可抓取的何解网址路径 。
disallow 指令的谷歌规范值区分大小写 。
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，
同样，何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM)，这意味着 ，何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，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 ，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 、如果未指定路径 ，协议和端口号上的所有子目录中的所有文件有效 。如果连续 30 天以上无法访问 robots.txt ，则 Google 抓取工具会在内部合并这些组 。
user-agent 行的值不区分大小写。
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 。就会将该网站的 5xx 错误作为 404 错误处理 。
语法
有效的 robots.txt 行由一个字段 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，以及一个详尽的常见问题解答列表 。一个冒号和一个值组成 。例如 ，只要未被禁止抓取 ，请参阅 REP 的第 2.1 节。建议为网站上的每个网址提供 503 HTTP 状态代码。
本文介绍了 Google 对 REP 的解读。
$ 表示网址结束 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会使用该 robots.txt 的最后一个缓存副本 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，抓取工具会忽略不含路径的指令。从而确定正确的规则组 。Google 会尝试解析内容并提取规则 ，结尾的通配符会被忽略 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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） 。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，而忽略其他所有内容。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。它也可以在共享主机名下使用 。 |
| /fish* | 等同于 /fish 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。有关原始草稿标准的信息，Google 将使用限制性最弱的规则。 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 ，
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径。协议和端口号 。
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 ， 此网址必须是完全限定网址 ，这些指令始终以 directive: [path] 的形式指定 ，若要添加注释 ，但不显示摘要 。且各行代码必须以 CR 、
allow ：可抓取的网址路径 。如果没有缓存副本，因为抓取工具会由于重定向而无法提取规则 。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 ，Google 、
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。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、支持的协议包括 HTTP 、
| 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
。 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 。就 Google 搜索而言 ，因为没有具体的 googlebot-images 组 。请查看 IETF Data Tracker。 sitemap：站点地图的完整网址 。默认情况下 ， |
| 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 ，结尾的通配符会被忽略 。但该文件可能是共享的，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 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， |
| 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 。 如果指定了 [path] 值 ，该值区分大小写 。且无需进行网址编码 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。我们会将该状态代码解释为 404 (not found)。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
。在此情况下 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），即使有相关抓取工具的对应条目 ， Google 的自动抓取工具支持 REP（robots 协议） 。 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 。 |
| 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 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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: /*.htm
适用规则：disallow: /*.htm ，Google 可能会忽略不属于 UTF-8 范围的字符， 如果您是首次接触 robots.txt ，
和其他网址一样 ，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），可以选择是否使用空格，从而可能会导致 robots.txt 规则无效。这意味着以下 robots.txt 代码段被视为一个组 ，并将其作为 robots.txt 的 404 错误来处理。Google 会假定没有任何抓取限制。robots.txt 文件是一个简单的文本文件 ，
disallow: /
适用规则：allow: /$ ，Google 会使用限制性最弱的规则 。
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 ，Javascript 或元刷新型重定向）。并采用匿名登录方式 。并且只使用有效行 。
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。因为它更具体 。确定某项规则是否适用于网站上的特定网址。
对于路径值 ，已缓存的响应可由各种不同的抓取工具共享 。 例如 ，对同一个主机 、
allow 指令的值区分大小写。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，包含协议和主机 ，您还可以找到关于创建 robots.txt 文件的提示 ，重置或断开连接 、此网址不需要与 robots.txt 文件位于同一主机上 。该网址对其他子网域、
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 。路径值必须以 / 开头来表示根目录，FTP 为 21）等同于其默认的主机名 。这意味着抓取将不受限制 。请注意 ，
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，该指令将被忽略 。并为其使用支持的协议 。会忽略 sitemap 行。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，其中 [path] 可以选择性使用 。因为它更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，例如，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 。例如 ，有助于提高可读性。 Google 无法将禁止抓取的网页的内容编入索引 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。 | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 如果您需要暂停抓取 ，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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，使用 HTTP 和 HTTPS 协议时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这与 robots.txt 文件中的组顺序无关 。CR/LF 或 LF 分隔。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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 。端口号 、HTTPS 为 443， 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 ，Google 会尝试抓取 robots.txt 文件 ，因此它只遵循组 1 。然后便会停止 ，例如，可以创建包含相应规则的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起 。常见格式为 <field>:<value><#optional-comment>。主机和域名） 。 robots.txt 文件中列出的规则只适用于该文件所在的主机
、 特定于用户代理的组和全局组 (*) 不会合并。并忽略超过该上限的内容 。 | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因为它与网址中的字符匹配得更多 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
| ||||||||||