امروزه، تعداد بازدید و ترافیک دریافتی هر وب سایت تا مقدار زیادی محتاج موتور های جستجو می باشد. بنابراین برای جذب مشتریان جدید و کسب درآمد از طریق وب سایت خود، باید تنظیمات لازمی را جهت معرفی سایت به موتورهای جستجو انجام دهید. این تنظیمات در صورتیکه به درستی انجام نپذیرند نیز می توانند در برخی از مواقع، برای سایت شما مشکل ساز شده و حتی باعث متحمل شدن ضرر مالی برای شما گردند. بنابراین تسلط به راهکار های کنترلی و اعمال محدودیت های لازم در این زمینه یکی از عوامل ضروری برای نگهداری وب سایت می باشد.
به غیر از تنظیمات هر موتور جستجو که با معرفی وب سایت به آن و معمولاً از طریق ابزارهای Webmaster همان موتور خاص انجام می پذیرد، پاره ای دیگر از تنظیمات کلی را نیز می تواند به صورت مرکزی در وب سایت خود اعمال نمود، تا با استفاده از آن، مواردی همچون ایندکس شدن وب سایت در یک موتور خاص، ایندکس شدن پوشه هایی خاص و … را تنظیم نمود.
تمامی موارد فوق الذکر را می توان از طریق قرار دادن فایل متنی ساده ای به نام Robots.txt در فضای هاستینگ وب سایت اعمال نمود. مدیران وب سایت با استفاده از این فایل توضیحات لازمی را برای روبات های موتورهای جستجو آماده می کنند که به این توضیحات Robots Exclusion Protocol گفته می شود.
برای مثال فرض کنید که روبات سایت گوگل قصد چک نمودن آدرس وب سایت شما را به آدرس ( http://www.yourdomain.com/index.html ) دارد. در صورتی که شما از قبل فایل Robots.txt لازم را در فضای میزبانی خود قرار داده باشید، بنابراین روبات گوگل قبل از رفتن به URL اصلی وب سایت شما به URL فایل مذکور یعنی http://www.yourdomain.com/robots.txt رجوع نموده و با عبارت زیر مواجه می گردد:
User-agent: * Disallow: /
عبارت User-agent* مشخص می کند که تنظیمات پیش رو در خط های بعدی باید بر روی تمامی روبات ها (ازجمله روبات های گوگل، یاهو و بینگ) اعمال شوند. و عبارت Disallow/ اجازه دسترسی هیچ روباتی را به هیچ یک ازپوشه ها یا فایلهای مربوطه نمی دهد. بنابراین زمانی که روبات گوگل نیز با این عبارات مواجه می شود، دیگر آدرس دیگری از سایت را مشاهده و ایندکس نمی کند.
دونکته قابل ملاحظه در زمان کار با فایل Robots.txt وجود دارد:
– برخی از روبات ها، مخصوصاً روبات های مخرب (Malware) می توانند فایل Robots.txt شما را نادیده بگیرند. برخی از روبات های مخرب از اینکار استفاده کرده تا قادر باشند وب سرور را برای مشاهده ضعف های امنیتی اسکن نمایند و یا آدرس ایمیل های مفید را برای افراد اسپمر جمع آوری کنند.
– فایل Robots.txt برای نمایش به عموم آزاد می باشد. بنابراین همه میتوانندتنظیمات اعمال شده توسط شما را در این فایل مشاهده نمایند.
بنابراین بهتر است از این فایل برای مخفی نمودن اطلاعات خود استفاده نکنید.
به سادگی می توانید فایلی با فرمت txt در داخل پوشه روت فضای وب سایت خود ساخته و کدهای مربوطه را داخل آن تایپ نمایید. در ساخت این فایل دقت نمایید که نام آن را تماماً با حروف کوچک یعنی robots.txt بنویسید.
فایل Robots یک فایل متنی بوده که شامل یک تا چند رکورد می باشد. نمونه کد زیر مثالی از محتویات فایل Robots.txt می باشد:
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/
در نمونه کد فوق، دایرکتوری های cgi-bin، tmp و همچنین ~joe از لیست فولدرهای قابل ایندکس شدن حذف گردیده و روبات موتور جستجو از پوشه های مذکور صرف نظر می کند.
دقت نمایید که برای خارج نمودن چند فولدر از لیست ایندکسینگ باید هریک را همانند مثال فوق در سطری جداگانه تعریف نمایید و امکان درج آن ها به صورت یکجا یعنی “Disallow: /cgi-bin/ /tmp/” وجود ندارد.
علامت ستاره “*” به معنای تمامی روبات های جستجو گر می باشد.
خارج کردن فولدرهای خاص از لیست ایندکسینگ وب سایت بسته به نوع سرور و وب سایت شما متفاوت می باشد و باید با درنظر گرفتن نکات مختلفی انجام پذیرد. در هر حال از دسترس خارج کردن تمامی پوشه ها از تمامی روبات ها چندان توصیه نمی شود، زیرا با این کار سایت شما دیگر توسط روبات ها ایندکس نشده و در نتایج موتورهای جستجو نیز نمایش داده نمی شود. در ادامه برخی از نمونه کدهای مورد استفاده در فایل Robots.txt شرح داده می شود.
برای ممنوع نمودن تمامی روبات ها از کل وب سایت (یا سرور) مورد استفاده قرار می گیرد.
User-agent: * Disallow: /
برای فراهم شدن دسترسی تمامی روبات ها به تمامی پوشه های وب سایت
User-agent: * Disallow:
(برای اینکار می توانید همچنین یک فایل Robots.txt خالی تهیه کرده و یا اصلا آن را ایجاد نکنید تا در این صورت به طور پیشفرض روبات ها به تمامی وب سایت شما دسترسی داشته باشند.)
جهت خارج نمودن سه فولدر از لیست ایندکسینگ روبات ها
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /junk/
برای ممنوع کردن یک روبات خاص از دسترسی به سایت
User-agent: BadBot Disallow: /
برای اعطای دسترسی به یک روبات خاص
User-agent: Google Disallow:
برای کسب اطلاعات بیشتر در مورد نام هریک از روبات های گوگل به این لینک مراجعه نمایید.
