谷歌是谁投资的

外媒VentureBeat报道称，谷歌希望开放其开发了数十年的robots.txt解析器，以推动REP成为搜索引擎爬虫的行业标准。

机器人排除协议(REP)是荷兰软件工程师Martijn Koster在1994年提出的标准，几乎已经成为网站不希望被搜索引擎收录的评论事实上的标准。

(截图via VentureBeat)

例如，Googlebot在索引网站时会扫描robots.txt文件，以确定应该忽略哪些部分。如果文件不在根目录下，搜索引擎默认会对整个网站的内容进行索引。

值得一提的是，这个文件不仅可以用来提供直接的爬虫索引，还可以用来填充一些关键词，实现“搜索引擎优化”(SEO)。另外，并不是所有的抓取工具都会严格遵循robots.txt文件。

比如几年前，互联网档案馆只选择支持其“Wayback Machine”存档工具，其他恶意抓取工具会有意忽略REP。

但是，需要指出的是，即使REP已经成为默认的实现标准，但它实际上从未成为真正的互联网标准，正如互联网工程任务组(IETF-一个非盈利的开放标签组织)所定义的那样。

为了推动这一转变，谷歌正在积极参与行动。这家搜索巨头表示，目前的REP可以得到“解释”，但它并不总是涵盖边缘化的案例。

作为补充，谷歌提出了更全面的“未定义场景”。比如在执行一个“扫描已知内容”的任务时，爬虫应该如何处理robots.txt文件出现“服务器无法访问故障”或者规则出现拼写错误？

谷歌在博客中写道:“对于网站所有者来说，这是一个非常具有挑战性的问题。由于模糊的事实标准，他们很难恰当地编写规则。”

我们希望帮助网站所有者和开发者在互联网上创造惊人的体验，而不必担心如何限制爬行工具。

于是Google与REP的原作者Martijn Koster，webmaster，以及其他搜索引擎合作，向IETF提交了一份关于如何在现代网络中应用REP的建议书。

该公司尚未公布草案的全貌，但它提供了一些指导方针。例如，任何基于URI的传输协议都可以应用于robots.txt，而不再局限于。

据悉，开发者必须解析robots.txt的至少前500 KB内容定义文件大小可以保证每个连接不会打开太久，从而减少不必要的服务器压力。

此外，新的最大缓存时间设置为24小时(或可用缓存指令值)，网站所有者可以随时灵活更新自己的robots.txt，爬虫不会使网站过载。

例如，当一个文件由于服务器故障而变得不可用时，该网站将在很长一段时间内无法检索。

这里需要指出的是，爬虫可以用不同的方式解析robots.txt文件中的指令，这可能会导致网站所有者的困惑。

为此，Google专门推出了C++库，支持GitHub上Googlebot给出的解析匹配系统，任何人都可以访问。

根据GitHub上的发布说明，谷歌希望开发者构建自己的解析器，以更好地反映谷歌的robots.txt文件的解析和匹配。