robots

Nel capitolo precedente abbiamo illustrato il funzionamento del meta tag ROBOTS e come, attraverso esso, sia possibile ridurre l'attività di scansione degli spider sulle pagine di un sito web e impedire ai motori di ricerca di archiviare alcune pagine del sito.

Tuttavia, l'uso di tale tag può risultare scomodo in quanto si tratta di uno strumento dedicato alla singola pagina web, e non permette di dare agevolmente agli spider indicazioni di scansione su interi gruppi di pagine o intere directory.

Inoltre, il meta tag ROBOTS contiene indicazioni valide per gli spider di tutti i motori di ricerca e non è dunque possibile impedire la lettura delle pagine solo ad alcuni motori, lasciando gli altri liberi di scansire e prelevare liberamente le pagine del sito web.

Per ovviare a queste limitazioni, è nato il Robots Exclusion Standard (standard per l'esclusione dei robot), ovvero un sistema che permette ai webmaster e agli amministratori di sistema di avere un controllo maggiore su quante e quali pagine HTML far prelevare da quali spider.

Lo standard per l'esclusione dei robot (ovvero degli spider) si avvale dell'utilizzo di un normale file di testo, da creare attraverso un qualunque text editor. Tale file va chiamato "robots.txt" e contiene, in un particolare formato, delle istruzioni che possono impedire a tutti o alcuni spider il prelievo di alcune o tutte le pagine del sito.

Una volta creato il file robots.txt, esso va pubblicato on-line nella directory principale del sito web. Ad esempio, se il sito ha indirizzo http://www.nome_del_sito.com , il file dovrà essere accessibile all'indirizzo http://www.nome_del_sito.com/robots.txt .

Tutti gli spider di quei motori di ricerca che hanno deciso di aderire a questo standard e di seguire le indicazioni del file robots.txt (ovvero la maggior parte dei motori, sebbene non tutti), ogni volta che accederanno al sito web, per prima cosa andranno a cercare nella directory principale il suddetto file e, se lo troveranno, seguiranno le direttive contenute al suo interno.

Innanzitutto è indispensabile aver chiaro quanto segue: il file robots.txt contiene una lista di pagine e directory che gli spider NON possono prelevare.

Ciò significa che non esiste una istruzione per dire allo spider: "puoi prelevare questa pagina" ma esistono solo istruzioni per dirgli: "NON puoi prelevare questa pagina". Non a caso lo standard si chiama Standard per l'esclusione dei robot.

Quanto appena specificato è estremamente importante, in quanto molti degli errori che i webmaster spesso inseriscono nei file robots.txt hanno origine dall'errata comprensione di ciò che è possibile fare con essi.

Se non avete la necessità di impedire ai motodi ricerca di prelevare alcune (o tutte) pagine del vostro sito, allora il file robots.txt non vi serve.

Il file robots.txt contiene dei record, ognuno dei quali comprende due campi: il campo "User-agent" ed uno o più campi "Disallow".

Il campo User-agent serve ad indicare a quale robot/spider le direttive successive sono rivolte. La sua sintassi è:
User-agent <duepunti> <spazio> <nome_dello_spider>

Il campo Disallow serve a indicare a quali file e/o directory non può accedere lo spider indicato nel campo User-agent. La sintassi di questo campo è:
Disallow <duepunti> <spazio> <nome_del_file_o_directory>

Il suddetto record dice a Google ("googlebot" è il nome dello spider di Google) che non gli è permesso prelevare il file testi.html nè accedere alla directory mp3 e ai suoi contenuti, sottodirectory comprese. Notate come il nome del file è preceduto da un carattere "/" (che indica la directory principale del sito) e come il nome della directory fa uso di un carattere "/" anche in coda.

Il campo User-agent può contenere un asterisco "*", sinonimo di "qualunque spider". Per cui l'esempio seguente dice a tutti gli spider di non prelevare il file temporaneo.html:

Il campo Disallow può contenere un carattere "/" ad indicare "qualunque file e directory". L'esempio che segue impedisce a scooter (lo spider di Altavista) di prelevare qualunque cosa:

Infine, il campo Disallow può essere lasciato vuoto, ad indicare che non ci sono file o directory di cui si vuole impedire il prelievo. L'esempio seguente mostra come dire a tutti i motori di ricerca di prelevare tutti i file del sito:

Come scritto pocanzi, il file robots.txt si compone di uno o più record, ognuno dei quali prende in esame spider differenti. Ecco dunque un esempio completo di file robots.txt, che blocca del tutto Altavista, impedisce a Google l'accesso ad alcuni file e directory e lascia libero accesso a tutti gli altri motori di ricerca.

Ecco di seguito una breve lista con i nomi degli spider dei principali motori di ricerca internazionali:

Nome spider	Motore di ricerca
googlebot	Google
fast	Fast - Alltheweb
slurp	Inktomi - Yahoo!
scooter	Altavista
mercator	Altavista
Ask Jeeves	Ask Jeeves
teoma_agent	Teoma
ia_archiver	Alexa - Internet Archive

Il nome (User-agent) degli spider di altri motori di ricerca può essere individuato cercando nei log del server HTTP che gestisce il sito web oppure consultando le pagine dei motori di ricerca dedicate ai webmaster. Quasi sempre, vengono indicati i nomi degli spider e come bloccarli usando il file robots.txt.

Nel caso in cui voleste inserire all'interno del file robots.txt alcuni commenti, potete farlo scrivendo righe di testo il cui primo carattere è un "cancelletto" #. Tali righe verranno completamente ignorate dagli spider dei motori. Esempio:

Vi consigliamo di aderire scrupolosamente alla sintassi utilizzata negli esempi riportati in questo capitolo. Ricordatevi di scrivere il nome dei campi esattamente come abbiamo indicato e non dimenticate i due punti e lo spazio prima del contenuto del campo.

Quando gli spider non trovano il file robots.txt, si comportano come se avessero ricevuto via libera ed accederanno dunque a tutte le pagine trovate nel sito (salvo diversamente specificato dai meta tag ROBOTS).

È sempre consigliato creare un file robots.txt, anche quando il suo contenuto si limita a dare via libera a tutti gli spider. La sua semplice esistenza nella directory principale del sito eviterà infatti un errore 404 (file non trovato), con conseguenze che variano da server a server, a seconda della loro configurazione.

Una volta che avrete creato un file robots.txt potrete controllarne la correttezza attraverso il nostro analizzatore di robots.txt.

IL FILE ROBOTS.TXT

Limitare l'azione degli spider