网站优化技巧：怎样核对抓取限制
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /867dea083a34.html
📄
网站优化技巧：怎样核对抓取限制
核对抓取限制的核心动作，是把“搜索引擎看到的页面”和“你希望它抓到的页面”逐项对照：先确认 robots.txt 是否放行，再看页面级 meta robots 与响应头 X-Robots-Tag 是否禁止，最后检查登录、验证码、CDN 或防火墙是否拦截了抓取请求。任何一步出现矛盾，都可能导致页面不被抓取或抓取后不进入索引。
先用一个假设例子走完整流程
假设你负责一个商品详情页，地址是 /product/1001，最近发现它没有出现在搜索结果里。先不要改代码，按下面顺序收集证据。
- 打开
/robots.txt，查找是否有Disallow: /product/这类规则。如果有，说明抓取被站点级规则挡住，这是优先级较高的限制。 - 查看该页面的 HTML 源码，找
<meta name="robots" content="noindex">或nofollow。noindex 表示允许抓取但不允许索引，和 robots.txt 的 Disallow 是两回事。 - 用命令行查看响应头，例如
curl -I https://example.com/product/1001，确认是否返回X-Robots-Tag: noindex。这个头部对非 HTML 文件同样生效，容易被忽略。 - 检查服务器访问日志，看搜索引擎爬虫的请求是否返回 403、429 或 503。403 常与防火墙或权限有关，429 表示请求频率被限制，503 表示服务暂时不可用。
- 如果页面需要登录才能看到完整内容，抓取工具拿到的可能是登录页或空白页，这属于访问权限造成的抓取限制。
这个例子的结论只能说明该页面当时的状态。若日志里爬虫请求正常返回 200，但页面仍未被索引，问题就不在抓取限制，而应转向内容质量、重复页面或链接发现路径。
三类限制要分开核对，不要混为一谈
站点级限制写在 robots.txt 中，决定爬虫能否请求某个路径。它不控制索引，被 Disallow 的页面仍可能因外部链接出现在结果里，只是没有摘要或摘要来自其他来源。
页面级限制包括 meta robots 和 X-Robots-Tag，决定页面被抓取后能否被索引、能否传递链接权重。常见错误是同时写了 Disallow 和 noindex：爬虫无法抓取页面，就看不到 noindex，页面反而可能继续留在索引中。
访问层限制来自 CDN、WAF、验证码、IP 封禁或频率限制。它的表现是请求被拒绝或返回异常状态码，而不是规则文件里的明确声明。核对时要看日志中的状态码和 user-agent，而不是只看页面能否在浏览器打开。
可执行的检查清单与判断依据
- robots.txt 是否可访问，返回状态是否为 200，规则是否误伤目标路径。
- 页面源码中的 meta robots 是否包含 noindex、nofollow 或 none。
- 响应头中是否存在 X-Robots-Tag，值是否与页面意图一致。
- 服务器日志中目标 URL 的爬虫请求状态码分布：200 表示可抓取，403/429/503 表示被拦截或受限。
- 页面是否需要登录、验证码或特定 cookie 才能返回完整内容。
- canonical 标签是否指向了另一个 URL，导致当前页面被当作重复版本。
判断结果时，优先处理“明确禁止”的规则，再处理“访问失败”的问题。若 robots.txt 放行、页面无 noindex、日志返回 200，抓取限制基本可以排除，应继续排查索引和排名层面的其他因素。
改动前后比较要注意的干扰项
解除抓取限制后，不要用一次改动前后的数据直接下结论。搜索需求会随季节和事件变化，数据采集时间点不同也会造成差异。比较时应固定统计口径，例如同一组 URL、同一时间窗口、同一数据来源，并记录改动日期，避免把需求波动误判为限制解除的效果。
下一步：选定一个具体 URL，按上面的清单逐项记录当前状态，形成一份可复查的证据表，再决定是否需要修改 robots.txt、meta 标签或服务器访问策略。
