¿Qué es Robots.txt y para qué sirve? Yo robots Parte I



Muchas webs tienen un archivo llamado “robots.txt” este archivo ayuda a las webs a evitar que los buscadores indexen directorios o otro contenido que no tendríamos que ver.
Robots.txt es un archivo de texto (no HTML) que se coloca en un sitio o página, para indicar a los robots de búsqueda qué páginas desea que no visiten. El archivo Robots.txt no es obligatorio para los motores de búsqueda, pero generalmente los motores de búsqueda obedecen lo que se les pide que no hagan y, a veces, este fichero, puede resultar muy útil.

Como veremos más adelante hay buscadores que indexan contenidos por mucho que la web no quiera y esté el archivo “robots.txt”.Por ejemplo en la dirección de http://www.google.com/robots.txt encontramos un archivo en texto plano , si nos fijamos en la parte principal hay el estoUser-agent: *
Disallow: /search
Disallow: /sdch

el User-agent: * indica que este archivo sea reconocido para todos los buscadores.
Después tenemos Disallow: /search el disallow evita la indexación de una carpeta o archivo, en este caso no indexara los contenidos del directorio search ni sdch.
Este es el típico archivo “robots.txt” con el que nos encontraremos la mayoría de veces.
Como vemos el archivo “robots.txt” también es una fuente de información ya que si lo bloquean sera por que hay algo interesante ¿no?.
Evitar que ciertos bots que analizan los sitios web con el protocolo de robots.txt ≪ °° ≫



≪ °° ≫
El hecho de que coloque un archivo robots.txt es algo así como poner una nota "Por favor, no entrar" en una puerta desbloqueada, por ejemplo, no se puede evitar que los ladrones entren a tu casa, pero una persona sensata no lo haría.

¿Qué es robots.txt?

robots.txt es un archivo público, que debe estar en la raíz de tu web, donde se hacen una serie de recomendaciones a los robots qué deben y qué no deben indexar en los buscadores.
Es genial cuando los motores de búsqueda visitan con frecuencia su sitio e indexan su contenido, pero a menudo hay casos en que la indexación de partes de su contenido puede penalizarle.
Por ejemplo:

Si tiene dos versiones de una página (una para ver en el navegador y otra para imprimir), preferiría que se excluyera la versión de impresión del rastreo para evitar la detección de contenido duplicado.

Si tiene datos sensibles que no desea que el mundo vea, también es preferible que los motores de búsqueda no indexen estas páginas.
Claro, y tú me preguntarás ¿Qué hago si no quiero que me indexen una parte de la web?
Buena pregunta. Puede haber partes de la web que por ser privadas, por contener contenido que, por la razón que sea, no quieres que estén indexadas. Pues para eso usarás el archivo Robots.txt.
Es importante aclarar que Robots.txt no es una forma de impedir que los motores de búsqueda rastreen su sitio (es decir, no es un cortafuegos o un tipo de protección con contraseña).

Hay muchos tipos de robots y cada uno tiene una misión.

Googlebot: El robot de Google.

Googlebot-Image: El indexador de imágenes de Google.

Bingbot: El robot de Bing.

YandexBot: De Yandex, el buscador ruso.

Roger: De Moz

BaiduSpider: El del buscador chino Baidu.

ia_archiver: El de Alexa, que también utiliza Wayback Machine (una web que presenta webs antiguas. En este enlace puedes ver cómo era la web que tenía en 1998)
Así que con Robots.txt le podemos decir a un crawler (no me flipado, es su nombre en inglés) cosas como estas:

Partes de tu web que no quieres que sean accesibles

Partes de tu web que sí quieres que sean accesibles

Impedir que el buscador valore diferentes entradas a un mismo contenido como contenido duplicado

Decirle que no acceda a partes de la web con código u otros elementos

Decirle al robot donde está el xml ≪ °° ≫


≪ °° ≫

Estarás de acuerdo conmigo que este archivo es un inventazo en el proximo blog veremos como crear estos archivos + como podemos ver que son vulnerables trataremos de hackear o tener accesos a las web creando nuestra herramientas para indexar.

Si quieres saber más sobre los tipos de robots (también se les llaman “Bots”), en estos enlaces encontrarás listas completas:

https://support.google.com/webmasters/answer/6062596?hl=es&ref_topic=6061961

https://support.google.com/webmasters/answer/6062608?hl=es

https://es.wikipedia.org/wiki/Est%C3%A1ndar_de_exclusi%C3%B3n_de_robots

https://support.google.com/webmasters/answer/6062598

⇜⇝⇜⇝⇜⇝⇜⇝


------------------------------------------------
Únete a la comunidad Cyber Hacking




ADVERTENCIA: NO INTENTE HACER UN ATAQUE SIN EL PERMISO DE PROPIETARIO DEL SITIO WEB. ES UN PROPÓSITO EDUCATIVO SOLAMENTE. NO ES RESPONSABLE DE NINGUN TIPO DE PROBLEMA ILEGAL.

PERMANECE LEGAL. GRACIAS!

Si tienes algún problema, deja un comentario.

Follow @LPericena

Mi nombre es Luishiño aquí es donde me gusta escribir sobre temas que en su momento me interesan. Aveces sobre mi vida personal y principalmente cosas de programación ,desarrollo web.Aplicaciones,Software, programas que yo mismo las desarrollo y cosas básicas de informática.

Fuente: este post proviene de The Seven Codes, donde puedes consultar el contenido original.
¿Vulnera este post tus derechos? Pincha aquí.
Creado:
¿Qué te ha parecido esta idea?

Esta idea proviene de:

Y estas son sus últimas ideas publicadas:

SISTEMA DE DIAGNOSTICO Se desea diseñar un diagrama de clases para administrar el trabajo del médico que mediante una cuenta de usuario deberá: • Un administrador se encargará de administrar el sistem ...

¿Qué es el SQL injection? Una inyección de SQL, a veces abreviada como SQLi, es un tipo de vulnerabilidad en la que un atacante usa un trozo de código SQL (lenguaje de consulta estructurado) para mani ...

Recomendamos

Relacionado

blog top seo noti google #notigoogle ...

Esta mañana fueron publicados los nuevos comandos estándares del archivo robots.txt en un artículo oficial de Google webMasters. También tienen sus fundamentos en uno de los lenguajes padres de la programación: C++. Vamos a ver estas novedades y cómo aplicarlas para exprimirles todo el jugo. ¿Listo? Biblioteca de comandos Esta biblioteca ha sido modificada ligeramente y publicada en código abier ...

blog top seo noti google #notigoogle ...

La exclusión de robots dentro del archivo Robots.txt será un standart. Así lo anunció Google en un tweet donde ha hecho público el artículo que explica; cómo después de 25 años se ha hecho imperativa la necesidad de aplicar la especificación del protocolo de exclusión de robots. ¡Vamos a ver de qué se trata! ¿Qué es la exclusión de Robots? Este es un protocolo que se dicta por medio de un comando: ...

wordpress Linux noticia ...

Un Web crawler indexador web, indizador web o araña web es un programa informático que navega he inspecciona las páginas del World Wide Web (www) por Internet de una manera predeterminada, configurable y automática, realizando acciones programadas en el contenido crawler. Los motores de búsqueda como Google y Yahoo utilizan rastreadores como medio de proporcionar datos de búsqueda, es decir, est ...

blog

WordPress es uno de los CMS más populares gracias a su facilidad de uso y una amplia gama de funciones convenientes tanto para profesionales como para los novatos. La mayoría de los sitios web está hecha en WordPress, pero los propietarios a menudo experimentan problemas con el posicionamiento SEO de sus páginas. WordPress es muy apto para la optimización SEO. Además de ofrecer un montón de plugin ...

SEO límite urls sitemaps sitemap en Search Console ...

En primer lugar, comentaros que en este post se pretenden abordar algunos puntos básicos pero importantes sobre los sitemaps. Además, se realizan una serie de recomendaciones que versarán sobre los tipos de sitemaps existentes,  qué tipo de urls deben contener y muchos más puntos interesantes sobre ellos. Pero para empezar, debemos preguntarnos: ¿Existen varios tipos de sitemaps? Si eres una perso ...

Blog diseño web marketing ...

¿Qué es el SEO? Hoy en este post hablaremos sobre que es el SEO. El SEO (Search Engine Optimization), podemos definirlo como el posicionamiento de motores de búsqueda y optimización del mismo, permitiendo la visibilidad factible de resultados de tu sitio en la red, en los diferentes buscadores existentes. El SEO desde hace mucho tiempo ha marcado pauta en el área del internet ya que es necesario p ...

seo

El crawling o crawleo es un procedimiento que realizan los motores de búsqueda para encontrar y analizar el contenido de un sitio web a través de “saltos” en cada URL. Aquí es cuando también se añaden los términos de araña, Crawler o rastreadores, ya que el Bot se desplaza por los enlaces para abarcar todos los rincones de la web. En el caso del navegador más utilizado del mundo (Google), su crawl ...

SEO TODO GOOGLE errores de rastreo ...

Mi blog esta en Blogger Este post es continuación de Cómo solucionar errores de rastreo en blogs WordPress.com, por si has entrado aquí por error, la guía de acción es prácticamente diferente. La gran diferencia entre otras cosas entre Blogger y WordPress.com es la posibilidad de toquetear el html de la plantilla, modificar o personalizar el archivo robot, hacer redirecciones 301, cosa que nos fac ...

Marketing Digital SEO

El SEO (Search Engine Optimization) es el proceso de mejorar la visibilidad y el ranking de un sitio web en los resultados de búsqueda orgánicos de los motores de búsqueda. El objetivo del SEO es aumentar el tráfico de calidad de un sitio web, lo que puede convertirse en ventas o conversiones para el sitio. Para recibir asesoría y desarrollar estrategias SEO, podemos buscar el servicio de agencias ...

Google

No importa cuán fácil sea navegar por su sitio web o cuán limpia sea la experiencia del usuario (UX), una función de búsqueda en el sitio es vital. Los visitantes de su sitio quieren una forma directa de encontrar exactamente lo que buscan. La búsqueda en el sitio es más que un cuadro de búsqueda; es un aspecto esencial de cómo los visitantes interactúan con su sitio web. Google ha puesto el listó ...