Estándar de exclusión de robots

El estándar de exclusión de robots, también conocido como el protocolo de la exclusión de robots o protocolo de robots.txt, es un método para evitar que ciertos bots que analizan los sitios web u otros robots que investigan todo o una parte del acceso de un sitio Web, público o privado, agreguen información innecesaria a los resultados de búsqueda. Los robots son de uso frecuente por los motores de búsqueda para categorizar archivos de los sitios Webs, o por los webmasters para corregir o filtrar el código fuente.

El archivo robots.txt

Un archivo robots.txt en un sitio web funcionará como una petición que especifica que determinados robots no hagan caso a archivos o directorios específicos en su búsqueda.^[1] Esto puede realizarse, por ejemplo, para dejar fuera de una preferencia los resultados de una búsqueda avanzada, o de la creencia que el contenido de los directorios seleccionados puede ser engañoso o inaplicable a la clasificación del sitio en su totalidad.^[2]

Desventajas

Este protocolo es consultivo. Confía en la cooperación de los robots del sitio web, de modo que marca una o más áreas de un sitio fuera de los límites de búsqueda con el uso de un archivo robots.txt, aunque este no necesariamente garantice aislamiento completo. Algunos administradores de sitios Web utilizan el archivo robots.txt para hacer algunas secciones privadas, invisibles al resto del mundo, pero dado que los archivos están disponibles en forma pública, su contenido podría ser visto de todas maneras por cualquier persona con un navegador web y conocimientos medianamente avanzados.

En algunos casos el incluir un directorio en este archivo le anuncia su presencia a posibles hackers, así ellos pueden determinar fácilmente algunos softwares usados en el sitio mediante buscar "huellas típicas" en el robots.txt.

Ejemplos

Este ejemplo permite que todos los robots visiten todos los archivos que se encuentran almacenados en el código raíz de la página web porque el comodín * especifica todos los robots:^[3]

User-agent: *
Disallow:

Cabe destacar que el comodín (*) significa "ALL" (en español «todos»)

Este ejemplo les niega el acceso a todos los bots (implementando el comodín [/]), en todos los archivos almacenados en el directorio raíz:

User-agent: *
Disallow: /

Cabe destacar que el comodín (/), le niega el acceso la entrada al bot.

Este ejemplo permite el acceso a un solo bot:

User-agent: Unsolobot # Donde Unsolobot es el nombre del bot al que le queremos permitir el acceso
Disallow: 
User-agent: *
Disallow: /

El siguiente es un ejemplo que dice que todos los subdirectorios que incluyan el comodín (/) deben ser bloqueados, únicamente estos, exceptuando a todos los demás archivos y directorios que no contienen un comodín, para su revisión:

User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/

Ejemplo que dice a un robot específico no entrar en un directorio

User-agent: BadBot # sustituir 'BadBot' con el nombre del bot
Disallow: /private/

Ejemplo que dice a todos los bots no entrar en un archivo en concreto

User-agent: *
Disallow: /directory/file.html

El resto de archivos del directorio seguirán estando disponibles

Ejemplo usando comentarios

# Los comentarios aparecen tras el símbolo "#"al comienzo de una línea o al final de un directorio
User-agent: * # todos los bots
Disallow: / # impedir su entrada

robots.txt de una página ficticia

User-agent: *
Disallow:/portal/
Disallow:/portal/
Disallow:/wp-*
Disallow:/?Monopolio
Disallow:/?Ficticia
Disallow:/?
Disallow:/?*
Disallow:/author/
Disallow:/category/
Disallow:/portal/
Disallow:/search/
Disallow:/home2/
Disallow:/sg0-no-tocar/
Disallow:/sg1-no-tocar/
Disallow:/sg2-no-tocar/
Disallow:/sg3-no-tocar/
Disallow:/sg4-no-tocar/
Disallow:/sg5-no-tocar/
Disallow:/sg-5-no-tocar/
Disallow:/sg-4-no-tocar/
Disallow:/sg-3-no-tocar/
Disallow:/sg-2-no-tocar/
Disallow:/sg-1-no-tocar/
Disallow:/sg*
Disallow:/

Observaciones

Los robots de los buscadores son sensibles a las mayúsculas y minúsculas, es importante agregarlos tal y como aparecen listados en el servidor, para una buena programación y entendimiento (robot-servidor).

Incidencias

A lo largo de su historia el estándar de exclusión de robots, ha presentado una serie de incidencias, de las cuales las más importantes han sido las siguientes:

El 1 de julio de 2019 la empresa Alphabet Inc. decidió publicar en GitHub, bajo Apache License,^[4] el código fuente utilizado por más de 20 años por el robot Google,^[5] el cual alimenta los índices de su motor de búsqueda.

Véase también

Referencias

↑ «How does an indexing robot decide what to index?» (html). The Web Robot Pages (en inglés). 26 de junio de 2018. Archivado desde el original el 26 de junio de 2018. Consultado el 2 de julio de 2019. «If an indexing robot knows about a document, it may decide to parse it, and insert it into its database. How this is done depends on the robot: Some robots index the HTML Titles, or the first few paragraphs, or parse the entire HTML and index all words, with weightings depending on HTML constructs, etc. Some parse the META tag, or other special hidden tags.»
↑ Gutiérrez, Norman (2 de julio de 2019). «Google quiere que el protocolo robots.txt sea un estándar de internet» (html). FayerWayer. Archivado desde el original el 2 de julio de 2019. Consultado el 2 de julio de 2019. «Un robots.txt bien hecho informa correctamente a los robots que lo leen sobre qué contenido del sitio escanear, especialmente si es necesario excluir ciertas carpetas que pueden contener información confidencial de usuarios o cuentas.»
↑ «About /robots.txt» (html). The Web Robot Pages (en inglés). 7 de junio de 2019. Archivado desde el original el 7 de junio de 2019. Consultado el 2 de julio de 2019.
↑ «robotstxt/LICENSE». GitHub. 25 de junio de 2019. Consultado el 5 de febrero de 2021.
↑ Illyes, Gary; Vandevenne, Lode; Pereda, Edu (1 de julio de 2019). «Google's robots.txt parser is now open source» (html). Google blog (en inglés). Archivado desde el original el 2 de julio de 2019. Consultado el 2 de julio de 2019. «We're here to help: we open sourced the C++ library that our production systems use for parsing and matching rules in robots.txt files. This library has been around for 20 years and it contains pieces of code that were written in the 90's.»

Enlaces externos

Datos: Q80776
Multimedia: Robots.txt / Q80776

[Robotstxt,_2018-1] «How does an indexing robot decide what to index?» (html). The Web Robot Pages (en inglés). 26 de junio de 2018. Archivado desde el original el 26 de junio de 2018. Consultado el 2 de julio de 2019. «If an indexing robot knows about a document, it may decide to parse it, and insert it into its database. How this is done depends on the robot: Some robots index the HTML Titles, or the first few paragraphs, or parse the entire HTML and index all words, with weightings depending on HTML constructs, etc. Some parse the META tag, or other special hidden tags.»

[Gutiérrez,_FayerWayer,_2019-2] Gutiérrez, Norman (2 de julio de 2019). «Google quiere que el protocolo robots.txt sea un estándar de internet» (html). FayerWayer. Archivado desde el original el 2 de julio de 2019. Consultado el 2 de julio de 2019. «Un robots.txt bien hecho informa correctamente a los robots que lo leen sobre qué contenido del sitio escanear, especialmente si es necesario excluir ciertas carpetas que pueden contener información confidencial de usuarios o cuentas.»

[Robotstxt,_2019-3] «About /robots.txt» (html). The Web Robot Pages (en inglés). 7 de junio de 2019. Archivado desde el original el 7 de junio de 2019. Consultado el 2 de julio de 2019.

[robotstxt,_GitHub,_2019-4] «robotstxt/LICENSE». GitHub. 25 de junio de 2019. Consultado el 5 de febrero de 2021.

[Google,_2019-5] Illyes, Gary; Vandevenne, Lode; Pereda, Edu (1 de julio de 2019). «Google's robots.txt parser is now open source» (html). Google blog (en inglés). Archivado desde el original el 2 de julio de 2019. Consultado el 2 de julio de 2019. «We're here to help: we open sourced the C++ library that our production systems use for parsing and matching rules in robots.txt files. This library has been around for 20 years and it contains pieces of code that were written in the 90's.»

[1]

[2]

[3]

[4]

[5]