📍 WDQWDWQD987AAAAA:216.73.217.106
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /9aa7efcdddbf.html
📄

robots.txt写法 - 检查前需要准备哪些信息

检查一份 robots.txt 写法是否正确，动手前至少要准备好四类信息：站点真实 URL 结构、需要放行或屏蔽的具体路径、目标搜索引擎对语法的支持情况，以及修改后的验证与回滚方式。缺少其中任何一项，检查都会变成凭感觉判断。

先明确要交付什么结果，再倒推资料

检查 robots.txt 的最终交付物通常是一份可上线的规则文件，外加一份说明：哪些路径被允许、哪些被禁止、依据是什么。围绕这个结果，需要准备的资料包括：

• 站点地图或页面清单，用来确认哪些目录真实存在，避免写错路径。
• 当前线上 robots.txt 的完整内容，作为对比基线。
• 需要屏蔽的路径清单，例如后台目录、搜索结果页、重复参数页。
• 需要放行的关键资源，例如 CSS、JS 和图片所在目录。
• 负责上线的人和可回滚的旧版本，防止误封整站。

这些资料的作用是让每一条规则都能对应到一个真实 URL，而不是凭印象添加。

两种处理方案的适用条件

检查时常见的分歧是：用 Disallow 屏蔽路径，还是用 Allow 在已屏蔽目录中开一个口子。两者适用条件不同。

• Disallow 适合：确定不希望搜索引擎抓取的目录，如后台、临时文件、无限参数页。它阻止抓取，但不等于页面一定不会出现在索引中，如果外部链接指向该 URL，仍可能被收录。
• Allow 适合：父目录被整体屏蔽，但其中某个子路径必须被抓取，例如 Disallow: /assets/ 之后需要 Allow: /assets/css/。此时要确认目标搜索引擎是否支持 Allow 指令，并注意规则匹配按最长路径优先。

判断方法是：先问“这个路径是否必须被抓取”。必须抓取就放行，不必抓取就屏蔽，两者都不确定时先保持现状，不要贸然改动。

动手前必须核对的检查项

准备好资料后，按以下顺序核对，可以避免大部分低级错误：

1. 确认文件名和位置：必须是根目录下的 robots.txt，子目录中的同名文件无效。
2. 确认语法：每行一条指令，字段名区分大小写，路径区分大小写。
3. 确认没有整站误封：检查是否存在 Disallow: / 且没有对应的 Allow 例外。
4. 确认关键资源可抓取：CSS、JS 目录若被屏蔽，可能影响渲染判断。
5. 确认站点地图声明：Sitemap: 行使用完整 URL，且该地址可以访问。

其中“整站误封”是最需要优先排查的一项，一旦上线，影响范围最大。

验证与责任分工

规则写完后，验证环节需要明确谁来做、用什么方式做。可执行的做法是：

• 用搜索引擎官方提供的 robots.txt 测试工具分别验证目标搜索引擎，因为不同引擎对同一语法的支持并不一致。
• 在测试环境先用一个不重要的目录做小范围验证，确认抓取行为符合预期后再全量上线。
• 上线后观察服务器日志中目标爬虫的抓取记录，确认被屏蔽路径不再被请求。

需要提醒的是，robots.txt 的抓取限制不等于可靠的索引移除。如果页面已被收录，仅靠屏蔽抓取通常无法让它从搜索结果中消失，这种情况需要配合其他移除手段，并分别核查各搜索引擎的支持情况。

下一步建议先把当前线上 robots.txt 完整保存一份作为回滚基线，再对照上面的检查项逐条核对，确认无误后再提交修改。