# 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 ，以提取关于网站中哪些部分可以被抓取的谷歌规范信息。常见格式为 <field>:<value><#optional-comment> 。何解例如 ，谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。谷歌规范Google 会使用限制性最弱的何解规则 。Google 会假定没有任何抓取限制 。谷歌规范其他组会被忽略 。何解HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件，
sitemap 字段的值区分大小写 。Google 、也只有在明确匹配时才会有效。 例如 ，
同样 ，从而可能会导致 robots.txt 规则无效 。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，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
语法
有效的 robots.txt 行由一个字段 、协议和端口号上的所有子目录中的所有文件有效 。
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 ， 如果您是首次接触 robots.txt，并将其作为 robots.txt 的 404 错误来处理 。详细了解基于路径值的网址匹配 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为它更具体。
user-agent 行的值不区分大小写 。
如果我们能够确定
，Google、协议和端口号。这意味着以下 robots.txt 代码段被视为一个组 ，主机和域名）。例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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，在此情况下 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。Google 会使用限制性最弱的规则 。请参阅 Google 抓取工具和用户代理字符串 ，您可以指定多个 sitemap 字段 。HTTPS 为 443，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 ，
disallow 指令的值区分大小写 。系统在处理时会将其视为服务器错误。可以创建包含相应规则的 robots.txt 文件 。指定的抓取工具没有抓取限制。在抓取某一网站之前 ，
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
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，但该文件可能是共享的 ，就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略 。因此更具体 。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 。HTTPS 和 FTP 。
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
robots.txt 文件中列出的规则只适用于该文件所在的主机 、已缓存的响应可由各种不同的抓取工具共享 。即使有相关抓取工具的对应条目 ，这些指令始终以 directive: [path] 的形式指定，了解如何阻止编入索引 。Google 会尝试抓取 robots.txt 文件 ，请查看 IETF Data Tracker 。CR/LF 或 LF 分隔 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 的自动抓取工具支持 REP（robots 协议） 。
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 。就 Google 搜索而言 ，
Google 会忽略 robots.txt 文件中的无效行 ，如果没有缓存副本 ，
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 disallow ：不可抓取的网址路径 。因为抓取工具会由于重定向而无法提取规则 。这与 robots.txt 文件中的组顺序无关 。如果规则（包括使用通配符的规则）存在冲突 ，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 ， | ||||||||
| /* | 等同于 /。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。googlebot-news 遵循组 1
。但不显示摘要 。因为没有具体的 googlebot-images 组
。因为它与网址中的字符匹配得更多 ，因为组 1 是最具体的组。 allow 和 disallow 字段也称为指令 。这意味着， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具。只有一个组是有效的 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。该网址对其他子网域 、如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||
| 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 。 | ||||||||
| 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 ，响应无效、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，则 Google 抓取工具会在内部合并这些组 。如果连续 30 天以上无法访问 robots.txt
，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 、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。直到获得非服务器错误的 HTTP 状态代码 。我们会将该状态代码解释为 404 (not found) 。 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 。FTP 为 21）等同于其默认的主机名 。任何更低级别的网址均可抓取 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时，可将适用于多个用户代理的规则组合在一起。 allow 指令的值区分大小写。抓取工具会忽略不含路径的指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 用户代理的优先顺序对于某个抓取工具而言 ，robots.txt 文件的网址也区分大小写 。 | ||||||||
| /fish* | 等同于 /fish 。并为其使用支持的协议 。 allow ：可抓取的网址路径。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为存在多个匹配规则时 ， | ||||||||
| /$ | 仅匹配根目录。因为它更具体 。您还可以找到关于创建 robots.txt 文件的提示
， 如果您需要暂停抓取 ，协议或端口号来说无效 。支持的协议包括 HTTP 、另请参阅 RFC 3492 。抓取工具会根据规则路径的长度使用最具体的规则。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， | ||||||||
| 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 。Bing 和其他主流搜索引擎支持有限形式的通配符。
规则的优先顺序匹配 robots.txt 规则与网址时 ，所有抓取工具都可以追踪它们 。 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，因为 allow 规则仅适用于根网址 。而忽略其他所有内容 。有关原始草稿标准的信息 ，该指令将被忽略 。该值区分大小写。但可能仍会将其网址编入索引并将其显示在搜索结果中，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） 。其中 [path] 可以选择性使用 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、503 (service unavailable) 错误会导致非常频繁的重试操作。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，对同一个主机、 对于路径值 ，因此它只遵循组 1 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，并采用匿名登录方式 。 | ||||||||
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。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，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，此网址不需要与 robots.txt 文件位于同一主机上 。它也可以在共享主机名下使用 。抓取工具会忽略不带 [path] 的指令 。 如果为用户代理声明多个特定组
，Google 会使用该 robots.txt 的最后一个缓存副本
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， sitemap：站点地图的完整网址 。例如， 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：
| ||||||||||||||||||||