📍 WDQWDWQD987AAAAA:216.73.216.136
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /2012f448d813.html
📄

robots.txt写法：改版或迁移时应核对什么？先查旧规则是否误伤新路径

改版或迁移时核对 robots.txt，核心是确认旧规则没有继续拦住新 URL、没有把整站或关键目录误封，同时确认新规则确实允许抓取。最容易出错的一步，是把旧站为屏蔽测试环境、旧目录或参数页写的 Disallow 原样带到新站，而新站恰好沿用了相同路径。判断方法不是看文件是否存在，而是用具体 URL 逐条比对规则，再结合抓取日志和抓取测试验证。

准备阶段：先冻结旧文件并列出路径变化

迁移开始前，先把旧站 robots.txt 完整保存下来，标注每一条规则的原始用途。然后整理一张路径对照表，至少包含三类：保持不变的上线路径、已经更换的路径、只存在于旧站的废弃路径。没有这张表，后面无法判断某条 Disallow 是保护还是误伤。

核对时重点关注这些写法：

• Disallow: /：屏蔽整站，迁移期间若忘记删除，新站可能长期无法被抓取。
• Disallow: /search：会同时匹配 /search、/search/ 和以 /search 开头的路径，新站若有 /search-guide 也会被拦住。
• Disallow: /*.pdf$：只影响以 .pdf 结尾的地址，改版后文档路径变成 /docs/abc 时，这条规则不再起作用，需要重新评估。
• Allow 与 Disallow 同时命中同一路径时，匹配更具体、路径更长的规则优先。迁移后路径变短，优先级可能反转。

实施阶段：按新站结构重写，而不是照搬

新文件的写法要围绕新站真实存在的目录来写。假设旧站用 Disallow: /tmp/ 屏蔽临时页，新站已取消该目录，这条规则就该删除；如果新站仍有测试目录，则应保留并确认它不会被外链或站点地图暴露。用户代理分组要分开写，针对特定爬虫的规则不要和 User-agent: * 混在同一组里。

站点地图声明可以写，但站点地图不保证收录，它只是提交候选 URL 的渠道之一。robots.txt 中的抓取限制也不等于可靠的索引移除：被 Disallow 的 URL 仍可能因为外部链接出现在搜索结果中，只是摘要信息可能受限。若目标是让页面从搜索结果消失，robots.txt 不是合适手段，应使用页面级 noindex，并确保该页面本身允许被抓取，否则 noindex 无法被读到。

验证阶段：用真实 URL 逐条测试，而不是只看文件

这是本题最关键的一步。把新站首页、栏目页、详情页、分页、参数页、静态资源各取一个真实 URL，逐条套用规则，判断结果是允许还是禁止。可以手工推导，也可以使用搜索引擎提供的抓取测试工具，但不同搜索引擎对 robots.txt 的支持细节需要分别核查，不能用一个工具的结果推断所有爬虫的行为。

验证时至少检查：

1. 新站重要栏目是否全部允许抓取，有没有被旧目录规则误伤。
2. 不该被抓取的路径是否确实禁止，例如后台、购物车、无限筛选参数。
3. robots.txt 本身是否返回 200 状态码，内容类型是否为纯文本。
4. 抓取日志中是否出现大量 403、404 或对已禁止路径的请求，用来反推规则与实际行为是否一致。

如果验证发现某个重要 URL 被禁止，先定位是哪一条规则命中的，再决定修改规则还是调整 URL 结构。不要为了通过测试而直接删除全部限制，这会把后台和参数页一并放开。

维护阶段：迁移完成后持续观察抓取情况

上线后一段时间内，定期查看抓取统计和服务器日志，确认允许抓取的目录请求量正常、被禁止目录没有异常增长。每次新增目录、修改 URL 规则或调整参数策略时，同步复查 robots.txt，避免新路径落进旧规则的匹配范围。把 robots.txt 纳入改版检查清单，和重定向、站点地图、canonical 一起核对，而不是上线后才补看。

下一步：打开新站 robots.txt，取首页和一个核心栏目 URL，逐条套用现有规则，确认两者都允许抓取；若发现禁止，记录命中的规则行再修改。