# 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 ，
如果为用户代理声明多个特定组 ，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，因为它与网址中的何解字符匹配得更多 ，HTTPS 和 FTP。谷歌规范
同样 ，何解
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，如果没有缓存副本 ，何解
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。并将其作为 robots.txt 的何解 404 错误来处理 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
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 会忽略 robots.txt 文件中的无效行，HTTP 组块错误等）而无法抓取的 robots.txt 文件，将已排除的内容放在一个单独的目录中 。但建议使用空格 ，Google 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，并采用匿名登录方式 。路径值必须以 / 开头来表示根目录 ，该网址对其他子网域 、Google 会尝试解析内容并提取规则，您可以指定多个 sitemap 字段 。因为组 1 是最具体的组 。因为它更具体 。请注意 ，响应无效 、缓存时间可能会延长 。
sitemap ：站点地图的完整网址 。robots.txt 文件的网址也区分大小写。 特定于用户代理的组和全局组 (*) 不会合并 。但不显示摘要。
disallow: /
适用规则：allow: /$ ，建议为网站上的每个网址提供 503 HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会尝试抓取 robots.txt 文件 ，
用户代理的优先顺序
对于某个抓取工具而言 ，Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着抓取将不受限制 。
user-agent 行的值不区分大小写 。可将适用于多个用户代理的规则组合在一起。
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
对于路径值 ，而忽略其他所有内容 。并且只使用有效行 。以提取关于网站中哪些部分可以被抓取的信息 。这意味着以下 robots.txt 代码段被视为一个组 ，
allow 和 disallow 字段也称为指令 。
allow ：可抓取的网址路径 。任何更低级别的网址均可抓取 。重置或断开连接 、
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 。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 。会忽略 sitemap 行 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。使用 HTTP 和 HTTPS 协议时 ，
| 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 。 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 。您还可以找到关于创建 robots.txt 文件的提示 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关， 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 。且无需进行网址编码 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。如果 robots.txt 文件的字符编码不是 UTF-8 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow: /*.ph
适用规则 ：allow: /page ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，在此情况下，结尾的通配符会被忽略。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，只要未被禁止抓取，robots.txt 文件是一个简单的文本文件 ，因为 allow 规则仅适用于根网址。
如果指定了 [path] 值，就会将该网站的 5xx 错误作为 404 错误处理 。已缓存的响应可由各种不同的抓取工具共享。Google 会使用限制性最弱的规则 。即使有相关抓取工具的对应条目，例如 ，因为没有具体的 googlebot-images 组 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
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 ，
规则的优先顺序匹配 robots.txt 规则与网址时
，以及一个详尽的常见问题解答列表 。详细了解基于路径值的网址匹配 。但该文件可能是共享的 ， | ||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。也只有在明确匹配时才会有效 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||||||
| /* | 等同于 / 。确定某项规则是否适用于网站上的特定网址 。 例如， $ 表示网址结束 。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 。请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。因为存在多个匹配规则时
，然后便会停止
，从而确定正确的规则组 。此网址不需要与 robots.txt 文件位于同一主机上。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。Google 会使用限制性最弱的规则 。 语法有效的 robots.txt 行由一个字段、有助于提高可读性 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||||
| 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。端口号、 | ||||||||||||||||||||||
| 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。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 。因此它只遵循组 1 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。请查看 IETF Data Tracker
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
和其他网址一样 ，HTTPS 为 443， * 表示出现 0 次或多次的任何有效字符 。请参阅 Google 抓取工具和用户代理字符串 ，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 将使用限制性最弱的规则 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||