Mit der Datei robots.txt Seiten vor Robots schützen
Manchmal ist es sinnvoll, bestimmte Seiten oder Bereiche einer Site vor der Indexierung zu schützen. Zum Beispiel dann, wenn es sich um Seiten handelt, die sich täglich ändern oder an denen noch gearbeitet wird. Auch Programmdateien, Bilder oder Logfiles will man vielleicht vor Robots schützen.
- Aufbau der robots.txt
- Beispieltabelle
- Fehler vermeiden & Syntax prüfen
- Was mit der robots.txt nicht geht
- Links zum Thema
Aufbau der robots.txt
Um das zu ermöglichen, gibt es den Robots
Exclusion Standard. Nach diesem Standard muß man eine
Textdatei mit dem Namen robots.txt erstellen und diese
im Stammverzeichnis der Domain plazieren, so daß Robots sie
finden. Die Suchpfade sehen dann z.B. so aus:
http://www.beispiel.de/robots.txt http://download.beispiel.de/robots.txt http://beispiel.de:8080/robots.txt
Die robots.txt Datei ist nach einem bestimmten Schema aufgebaut. Zuerst gibt man an, für welchen Crawler die Anweisungen gelten und dann die einzelnen Anweisungen. Ein Beispiel:
# robots.txt fuer http://www.beispiel.de/ User-agent: BeispielRobot Disallow: /temp/ # Die Dateien sind sehr kurzlebig Disallow: /logfiles/ # Die ändern sich jeden Tag Disallow: /bilder/ # Bilder nicht downloaden Disallow: /cgi-bin/ # CGI Ausgaben nicht indexieren Disallow: /news.html # Die news.html ändert sich täglich
Mit User-agent: BeispielRobot bestimmt man,
daß die Anweisungen nur für den Crawler
BeispielRobot gelten. Mit den einzelnen
Disallow Einträgen bestimmt man Dateien und
Verzeichnisse die nicht indexiert werden sollen. Alles, vor dem ein
# steht, gilt als Kommentar und wird von den Robots
ignoriert.
Wenn man mit einem Mal alle Crawler ausschließen will,
benutzt man den sog. Wildchar *, also:
# Alle Robots ausschließen User-agent: * Disallow: /temp/
Wenn man nicht gleich alle Crawler, sondern nur ein paar bestimmte meint, kann man diese so angeben:
# Massendownloader vom CGI Verzeichnis fernhalten User-agent: wget User-agent: webzip User-agent: webmirror User-agent: webcopy Disallow: /cgi-bin/
Um seine Site ganz von der Indexierung auszuschließen kann man folgendes benutzen:
# Ganze Site für alle Robots sperren User-agent: * Disallow: /
Wenn man den Slash (/) wegläßt, gibt man
Seine Site ganz für die Indexierung frei:
# Ganze Site freigeben User-agent: * Disallow:
Bei den Disallow Einträgen ist die Groß- und
Kleinschreibung egal. Man sollte aber darauf achten, wo und ob man
den Slash (/) setzt, denn der Eintrag
User-agent: * Disallow: /index Disallow: /temp/
Würde dazu führen, daß alle Urls die mit
/index anfangen nicht indexiert werden, auch z.B.
/index.html oder /indexed-files/datei.html
statt einfach nur das Verzeichnis /index/, wohingegen
bei Disallow: /temp/ wirklich nur die Dateien im
Verzeichnis /temp/ ausgeschlossen werden.
Beispieltabelle
Um das alles zusammenzufassen ein kleines Beispiel:
# http://beispiel.de/robots.txt User-agent: scooter Disallow: / User-agent: wget User-agent: webzip Disallow: User-agent: * Disallow: /news/ Disallow: /radio.html Disallow: /temp
Die Anweisungen für alle (*) Robots werden nur
von Robots interpretiert, die nicht explizit aufgeführt
werden; scooter, wget und webzip ignorieren in diesem Fall die
Angaben für *.
Die Robots dürfen dann wie folgt auf die Dateien zugreifen:
| URL: | Scooter | Wget & WebZip | Andere |
|---|---|---|---|
http://beispiel.de/ |
 |
 |
|
http://beispiel.de/about.html |
|
|
|
http://beispiel.de/archiv/ |
|
|
|
http://beispiel.de/index.html |
|
|
|
http://beispiel.de/news/ |
|
|
|
http://beispiel.de/news/index.html |
|
|
|
http://beispiel.de/radio.html |
|
|
|
http://beispiel.de/robots.txt |
|
|
|
http://beispiel.de/temp.html |
|
|
|
http://beispiel.de/temporaer/new.html |
|
|
|
Ein
Working Draft der
IETF
führt neben der Disallow Anweisung auch die
Allow Anweisung ein:
User-agent: * Disallow: /temp/ Allow: /temp/daily.html
Da die Allow Anweisung aber erst später als der eigentliche
Standard eingeführt wurde, wird sie noch nicht von allen
Robots unterstützt. Von daher sollte man sich nicht darauf
verlassen und lieber nur Disallow benutzen.
Fehler vermeiden & Syntax prüfen
Beim erstellen der robots.txt muß man darauf achten,
daß man auch wirklich einen Texteditor benutzt und nicht etwa
einen HTML Editor. Geeignete Editoren wären z.B. vi unter
Linux, edit.com unter DOS oder notepad.exe unter Windows.
Wenn die Datei via FTP auf den Webserver transferiert wird,
sollte man sicherstellen, daß man die Datei im ASCII Modus
überträgt. Wie das funktioniert, kann man in der
Anleitung des jeweiligen FTP Clients nachlesen. Wichtig ist auch,
daß der Dateiname nur aus Kleinbuchstaben besteht und nicht
etwa Robots.TXT heißt. Falls das Betriebssystem
das nicht unterstützt (z.B. DOS), kann man die Datei auch nach
dem Transfer auf den Server umbenennen.
Wer darüber hinaus noch den Syntax seiner
robots.txt überprüfen will,
kann den robots.txt Syntax
Checker dazu benutzen.
Es ist auf jeden Fall sinnvoll, eine minimale robots.txt Datei nach diesem
Schema zu erstellen:
# robots.txt for http://www.beispiel.de/ # Zugriff auf alle Dateien erlauben User-agent: * Disallow:
Da man so viele unnötige Einträge in den Errorlogs verhindert (404 Not found), die sonst immer dann auftauchen, wenn der Crawler die Datei nicht findet.
Was mit der robots.txt nicht geht
Man kann mit der robots.txt keine Dateien vor Zugriffen schützen. Dazu sollte man immer den Paßwortschutz des Webservers verwenden. Auch ist kein Robot verbindlich verpflichtet, sich an den Exclusion Standard zu halten, auch wenn es die meisten tun. Bei den Disallow: sind keine wildchars wie ? oder * erlaubt. Mit der robots.txt kann man auch keine Dateiverweise erstellen und auch keinen Robot dazu bringen etwas bestimmtes zu indexieren. Man kann höchstens darum bitten, daß gewisse Seiten nicht indexiert werden.