在robots.txt中处理“允许”和“禁止”的正确方法是什么？
我运行了相当大规模的Web搜寻器。我们会努力在公认的社区标准内操作爬虫，其中包括尊重robots.txt。我们对爬虫的投诉很少，但大多数情况下都是关于robots.txt的处理。网站管理员通常会在他的robots.txt文件中犯一个错误，我们很乐意指出错误。但是，我们将定期碰上涉及的处理灰色地带Allow和Disallow。 该robots.txt的页面没有覆盖Allow。我看过其他页面，其中一些说爬虫使用“第一个匹配”规则，而另一些没有指定。这导致一些混乱。例如，Google关于robots.txt的页面曾经有以下示例： User-agent: Googlebot Disallow: /folder1/ Allow: /folder1/myfile.html 显然，这里的“第一个匹配”规则不起作用，因为搜寻器会看到Disallow和消失，而不会搜寻明确允许的文件。 如果我们忽略所有Allow行，我们就一清二楚了，但是我们可能不会对我们允许进行爬网的内容进行爬网。我们会错过的事情。 Allow首先检查Disallow，然后再进行检查，我们已经取得了巨大的成功，其Allow目的是要比更加具体Disallow。这是因为，默认情况下（即在没有相反说明的情况下），允许所有访问。但是然后我们遇到了这样的事情： User-agent: * Disallow: /norobots/ Allow: / 这里的意图很明显，但是这Allow: /将导致一个机器人进行检查Allow，认为它可以爬网该网站上的任何内容。 在这种情况下，即使可以解决。我们可以将匹配项Allow与匹配项进行比较，Disallow并确定不允许我们在/ norobots /中抓取任何内容。但这在通配符的情况下无法解决： User-agent: * Disallow: /norobots/ Allow: /*.html$ 那么问题是，机器人可以爬网/norobots/index.html吗？ “首次匹配”规则消除了所有歧义，但是我经常看到网站显示类似旧的Google示例的内容，而在Allow 后面放置了更具体的内容Disallow。该语法需要机器人进行更多处理，并导致无法解决的歧义。 那么，我的问题是做事情的正确方法是什么？当涉及到robots.txt处理时，网站管理员对行为良好的bot有何期待？