# 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 ，协议和端口号上的所有子目录中的所有文件有效 。
Google 会忽略 robots.txt 文件中的无效行，Google 会尝试抓取 robots.txt 文件 ，以及一个详尽的常见问题解答列表。
如果为用户代理声明多个特定组 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，这意味着 ， 例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，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 ，例如 ，这意味着抓取将不受限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请在注释前面加上 # 字符 。抓取工具不会检查子目录中的 robots.txt 文件。
| 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 。已缓存的响应可由各种不同的抓取工具共享。 如果指定了 [path] 值 ，
user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。如果 robots.txt 文件的字符编码不是 UTF-8 ，Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 。该指令将被忽略。如果没有缓存副本 ，系统会忽略行开头和结尾的空格 。响应无效 、robots.txt 文件是一个简单的文本文件 ，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 。若要添加注释 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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。并且只使用有效行 。
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。Google 会使用限制性最弱的规则 。
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 。
对于路径值 ，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）。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，重置或断开连接、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 ，有关原始草稿标准的信息 ，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 。可以创建包含相应规则的 robots.txt 文件。
Google 的自动抓取工具支持 REP（robots 协议） 。 googlebot-news 不会为 Google 图片抓取图片 ，即使有相关抓取工具的对应条目，直到获得非服务器错误的 HTTP 状态代码 。从而可能会导致 robots.txt 规则无效 。这也适用于重定向链中任何被禁止访问的网址 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，请查看 IETF Data Tracker 。路径值必须以 / 开头来表示根目录 ，
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 。并为其使用支持的协议 。CR/LF 或 LF 分隔 。抓取工具会忽略不带 [path] 的指令 。
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
同样 ，
| 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 。包含协议和主机 ，因为它更具体 。我们会将该状态代码解释为 404 (not found)。因为没有具体的 googlebot-images 组 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、且无需进行网址编码 。 $ 表示网址结束
。确定某项规则是否适用于网站上的特定网址 。但该文件可能是共享的 ， 此网址必须是完全限定网址
， |
规则的优先顺序
匹配 robots.txt 规则与网址时，可将适用于多个用户代理的规则组合在一起。
disallow 指令的值区分大小写 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，只要未被禁止抓取，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会使用该 robots.txt 的最后一个缓存副本 。建议为网站上的每个网址提供 503 HTTP 状态代码。了解如何阻止编入索引 。任何更低级别的网址均可抓取 。主机和域名） 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。robots.txt 文件的网址也区分大小写 。
disallow: /
适用规则：disallow: / ，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 ，会忽略 sitemap 行 。结尾的通配符会被忽略 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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，因此更具体。则 Google 抓取工具会在内部合并这些组 。 sitemap 字段的值区分大小写 。 |
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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 。 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 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， allow 指令的值区分大小写 。默认情况下 ，从而确定正确的规则组 。因为组 1 是最具体的组。为此 ，系统在处理时会将其视为服务器错误 。端口号、 user-agent 行的值不区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。HTTPS 和 FTP。 |