学习 / 词典
robots.txt
robots.txt 是放在网站根目录的小文件，用来告诉爬虫可以请求网站的哪些部分。
先发邮件。把 robots.txt 地址和你担心的页面发来，我们会指出下一步该怎么查。
把它当成爬虫指引，不要当成索引开关。
robots.txt 可以阻止抓取，但 Google 已经知道某个 URL 时，它不一定能把这个 URL 从 Google 中移除。
robots.txt 是纯文本文件，通常位于 /robots.txt。它告诉爬虫哪些路径可以请求，哪些路径不应请求。
搜索引擎通常会遵守它，但它不是隐私工具，也不是从搜索结果移除页面的可靠方法。
如果某些页面不希望被索引，还需要使用正确的索引控制方式，例如 noindex、canonical 标签、删除、重定向、密码保护，或按情况使用 Search Console 移除。
robots.txt 能控制什么 🧭
robots.txt 属于技术 SEO。它最好和清晰的 XML 站点地图、canonical 标签，以及需要排名时允许抓取的页面一起使用。
常见错误是在 robots.txt 中阻止页面，同时又在页面上放 noindex。如果 Google 无法抓取页面，可能永远看不到 noindex 指令。
robots.txt 常见问题 🙋
返回词典。
什么是 robots.txt？
robots.txt 是一个纯文本文件，用来给网站爬虫提供抓取指令。
robots.txt 放在哪里？
它通常位于域名根目录，例如 https://example.com/robots.txt。
robots.txt 能把页面从 Google 移除吗？
不可靠。它可以阻止抓取，但从搜索中移除通常需要 noindex、删除、重定向、密码保护或 Search Console 移除，具体看情况。
应该把 sitemap 放进 robots.txt 吗？
是的，常见做法是在 robots.txt 中引用 XML 站点地图，方便爬虫快速找到。
robots.txt 能阻止恶意机器人吗？
只能阻止愿意遵守规则的机器人。安全和滥用控制需要服务器、防火墙或访问规则。
不确定 robots.txt 是在帮忙，还是挡住了错误的东西？
发送 robots.txt 地址和你担心的页面给我们。我们可以检查问题出在抓取、索引、canonical，还是网站结构。