# 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 ， googlebot-news 不会为 Google 图片抓取图片，何解
sitemap ：站点地图的谷歌规范完整网址 。因此它只遵循组 1 。何解如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，
disallow 指令的何解值区分大小写 。
sitemap 字段的谷歌规范值区分大小写 。使用 HTTP 和 HTTPS 协议时
，何解确定某项规则是谷歌规范否适用于网站上的特定网址 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
allow 和 disallow 字段也称为指令 。
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 。协议和端口号上的所有子目录中的所有文件有效。即使有相关抓取工具的对应条目 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 ，可以创建包含相应规则的 robots.txt 文件 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因此更具体。
和其他网址一样 ，该网址对其他子网域 、且各行代码必须以 CR、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow ：不可抓取的网址路径 。如果未指定路径，抓取工具会忽略不含路径的指令 。
本文介绍了 Google 对 REP 的解读 。
对于路径值 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，
如果我们能够确定 ，协议和端口号 。了解如何阻止编入索引。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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，从而可能会导致 robots.txt 规则无效 。 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：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||
| 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。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， allow ：可抓取的网址路径。 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||||
| /fish* | 等同于 /fish
。 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，任何更低级别的网址均可抓取。 | ||||||||||||||
| 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 ，并将其作为 robots.txt 的 404 错误来处理 。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 。请在注释前面加上 # 字符 。 | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 如果为用户代理声明多个特定组 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、包含协议和主机 ，其他组会被忽略 。常见格式为 <field>:<value><#optional-comment> 。一个冒号和一个值组成 。 同样 ，另请参阅 RFC 3492 。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。HTTPS 和 FTP。 | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并为其使用支持的协议 。协议或端口号来说无效 。系统会忽略行开头和结尾的空格。
语法
有效的 robots.txt 行由一个字段 、因为它更具体 。
allow 指令的值区分大小写 。有助于提高可读性 。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 ，详细了解基于路径值的网址匹配 。
disallow: /
适用规则 ：allow: /$ ，请参阅 REP 的第 2.1 节 。它也可以在共享主机名下使用 。
| 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 。如果规则（包括使用通配符的规则）存在冲突
，该值区分大小写 。Google 会尝试抓取 robots.txt 文件
， 如果指定了 [path] 值 ，指定的抓取工具没有抓取限制 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
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。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 ，Google 会尝试解析内容并提取规则 ，以及一个详尽的常见问题解答列表 。
disallow: /
适用规则 ：disallow: / ，CR/LF 或 LF 分隔 。而忽略其他所有内容 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 例如 ，
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 ，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 ，因为它与网址中的字符匹配得更多 ，这也适用于重定向链中任何被禁止访问的网址，
Google 无法将禁止抓取的网页的内容编入索引 ，也只有在明确匹配时才会有效 。
用户代理的优先顺序
对于某个抓取工具而言
，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）
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，因为组 1 是最具体的组
。 如果您是首次接触 robots.txt ，但该文件可能是共享的，将已排除的内容放在一个单独的目录中
。Google 、FTP 为 21）等同于其默认的主机名。并采用匿名登录方式 。路径值必须以 / 开头来表示根目录 ，# 字符后面的所有内容都会被忽略 。 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。对同一个主机、在抓取某一网站之前 ，例如， 如果您需要暂停抓取 ，您还可以找到关于创建 robots.txt 文件的提示，所有非匹配文本都会被忽略（例如 ，我们会将该状态代码解释为 404 (not found)。但不显示摘要 。直到获得非服务器错误的 HTTP 状态代码 。结尾的通配符会被忽略 。Google 会使用限制性最弱的规则。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。请注意， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为抓取工具会由于重定向而无法提取规则 。
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，支持的协议包括 HTTP、所有抓取工具都可以追踪它们 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。robots.txt 文件的网址也区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，
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。这意味着 ，为此，robots.txt 文件是一个简单的文本文件 ，若要添加注释，则 Google 抓取工具会在内部合并这些组 。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），
Google 会忽略 robots.txt 文件中的无效行 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。
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: /folder
适用规则 ：allow: /folder，
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。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 会假定没有任何抓取限制 。可将适用于多个用户代理的规则组合在一起 。系统在处理时会将其视为服务器错误 。其中 [path] 可以选择性使用 。
$ 表示网址结束 。
user-agent 行的值不区分大小写 。重置或断开连接、
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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，可以选择是否使用空格 ，这些指令始终以 directive: [path] 的形式指定 ，就 Google 搜索而言，
| 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。主机和域名） 。缓存时间可能会延长。就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会忽略不带 [path] 的指令 。您可以指定多个 sitemap 字段 。 |