正式制定《robots 协议规范》
2019 年 7 月 1 日,星期一
25 年来,robots 协议 (REP) 一直是网络最基本、最重要的组成部分之一。网站所有者可以使用它来部分或完全阻止自动客户端(例如网页抓取工具)访问其网站。
1994 年,Martijn Koster(网站站长本人)在抓取工具让他的网站负载过重后制定了最初的标准。随着其他网站站长的不断投入,REP 诞生了,它已被搜索引擎采用,以帮助网站所有者更轻松地管理其服务器资源。
不过,REP 从未变成正式的互联网标准,这意味着开发者多年来对该协议的解释略有不同。自推出以来,REP 仍未更新,无法应对当今的极端情况。这对网站所有者来说是一个具有挑战性的问题,因为不明确的通行标准使得很难正确编写规则。
我们希望帮助网站所有者和开发者在互联网上打造出色的体验,而无需担心如何控制抓取工具。我们与该协议的原作者、网站站长和其他搜索引擎合作,记录了如何在新型网络上使用 REP,并将其提交给 IETF。
拟定的 REP 草稿反映了 20 多年来 robots.txt 规则的实际使用体验,囊括了 Googlebot 和其他主要抓取工具以及大约 5 亿个采用 REP 的网站。这些精细的控制措施让发布商能够决定想要抓取其网站上的哪些内容,并有可能向感兴趣的用户显示这些内容。它不会更改 1994 年创建的规则,而是定义 robots.txt 未定义的所有解析和匹配场景,并针对新型网络扩展它。值得注意的是:
-
任何基于 URI 的传输协议都可以使用 robots.txt。例如,不再仅限于 HTTP,也可以用于 FTP 或 CoAP。
-
开发者必须至少解析 robots.txt 的前 500 Kib。指定文件大小上限可确保连接打开时间不会过长,从而减少服务器上不必要的负载。
-
新的最长缓存时间(24 小时)或缓存指令值(如果有)让网站所有者可以灵活地随时更新其 robots.txt,并且抓取工具不会使用 robots.txt 请求让网站负载过重。例如,在使用 HTTP 的情况下,Cache-Control 标头可用于确定缓存时间。
-
该规范现在规定,当以前可访问的 robots.txt 文件因服务器出现故障而无法访问时,系统会在相当长的时间内不抓取已知的禁止抓取网页。
此外,我们还更新了互联网草案中的 Augmented Backus-Naur form,以便更好地定义 robots.txt 的语法,这对开发者解析代码行非常重要。
RFC 是“Request for Comments”(评论请求)的首字母缩写,意思是:我们将草稿上传至 IETF,以便向关注互联网基本构建块的开发者收集反馈意见。我们在努力为网络创作者提供必要的控制功能,以便其告诉我们他们想让多少信息可供 Googlebot 访问,并能够显示在 Google 搜索中,我们必须确保不能出错。
如果您想给我们发表评论、提出问题或打招呼,欢迎访问 Twitter 和我们的网站站长社区(线上和线下)联系我们。
发布者:Henner Zeller、Lizzi Sassman 和 Gary Illyes
如未另行说明,那么本页面中的内容已根据知识共享署名 4.0 许可获得了许可,并且代码示例已根据 Apache 2.0 许可获得了许可。有关详情,请参阅 Google 开发者网站政策。Java 是 Oracle 和/或其关联公司的注册商标。
[null,null,[],[[["The Robots Exclusion Protocol (REP), which allows website owners to control crawler access, is being updated and submitted to the IETF for standardization after 25 years of use."],["The updated REP clarifies previously ambiguous areas of the protocol, ensuring consistent interpretation by developers and addressing modern web scenarios."],["Key changes include support for various URI schemes, a maximum robots.txt file size, caching guidelines, and provisions for inaccessible robots.txt files."],["This standardization effort is driven by Google, in collaboration with the original REP author and other stakeholders, to improve website owner control and search engine efficiency."],["Feedback on the proposed REP draft is encouraged via Twitter or the Google Webmaster Community."]]],["The Robots Exclusion Protocol (REP), created in 1994 to manage web crawler access, is being updated. A draft has been submitted to the IETF to standardize and modernize the REP. Key changes include expanding usage beyond HTTP, requiring parsing of at least the first 500 KiB of robots.txt, setting a maximum caching time of 24 hours, and addressing server failure scenarios. The draft also refines the syntax definition for robots.txt parsing, aiming to improve its management and usage.\n"]]