• IT-Karriere:
  • Services:

Robots Exclusion Protocol: Google will Robots.txt zu IETF-Standard machen

Mit Hilfe des Robots Exclusion Protocol können Webmaster festlegen, ob und wie Crawler ihre Webseite durchsuchen sollen. Die Technik rund um die Robots.txt soll 25 Jahre nach Entstehen nun zu einem IETF-Standard werden und Google macht seinen Parser dafür Open Source.

Artikel veröffentlicht am ,
Zum 25. Jubiläum der Robots.txt startet Google eine Initiative zum Standardisieren der Technik.
Zum 25. Jubiläum der Robots.txt startet Google eine Initiative zum Standardisieren der Technik. (Bild: Google)

Vor 25 Jahren kündigte der Webmaster Martijn Koster einen Standard an, mit dem Robots, die unter anderem auch Crawler genannt werden, angewiesen werden können, wie und ob diese die eigenen Seite durchsuchen dürfen. Dieses Robots Exclusion Protocol (REP) mit der dafür zentralen Robots.txt-Datei ist bis jetzt als Übereinkunft von großen Suchmaschinenbetreibern aber nur ein De-facto-Standard. Google will das mit Hilfe von Koster ändern und das REP bei der Internet Engineering Task Force (IETF) standardisieren.

Stellenmarkt
  1. Deloitte, Berlin, Düsseldorf, Frankfurt, München, Stuttgart
  2. operational services GmbH & Co. KG, Frankfurt am Main, Wolfsburg, Zwickau, Dresden

Laut Google führte die bisher fehlende Standardisierung dazu, dass "Entwickler das Protokoll im Laufe der Jahre etwas anders interpretiert haben. Und seit seiner Einführung wurde der REP nicht mehr aktualisiert, um die heutigen Ausnahmefälle abzudecken. Dies ist ein herausforderndes Problem für Webseitenbetreiber, da es aufgrund des mehrdeutigen De-facto-Standards schwierig war, die Regeln korrekt zu schreiben."

IETF-Entwurf bringt Neuerungen

Diese Probleme soll ein neuer IETF-Standard nun lösen, indem er Regeln liefert, die der aktuellen Praxis entsprechen. Der Entwurf dazu steht bei der IETF bereit. Zusätzlich zu der Zusammenarbeit mit Koster habe Google dafür auch mit Webmastern und anderen Suchmaschinenbetreibern kooperiert. Die wichtigste Neuerung ist demnach die Nutzung des REP für jedes URI-Schema, also nicht mehr nur HTTP, sondern auch FTP oder Coap.

Robots können darüber hinaus ein Parsing-Limit festlegen, das jedoch mindestens 500 KByte betragen muss. So sollen Verbindungen nicht zu lange aufrechterhalten werden müssen. Ebenso können die HTTP-Cache-Control-Header als Anweisung an Crawler benutzt werden, so dass die Robots.txt eben in einem Cache für maximal 24 Stunden vorgehalten wird. So soll sich die Datei einfacher ändern lassen, ohne von Crawler-Anfragen überrannt zu werden.

Sollte die Robots.txt außerdem nicht erreichbar sein, muss sich der Crawler nun so verhalten, dass die Webseite gar nicht durchsucht werden darf. Für den Fall, dass die Seite vorher schon einmal von dem Crawler besucht wurde, soll bei Nichterreichbarkeit die im Cache vorgehaltene Datei genutzt werden, so dass dann die bisher bekannten Regeln weiter gelten.

Google selbst hat nun auf Grundlage des IETF-Entwurfs seine eigenen Regeln im Umgang mit der Robots.txt verändert und verfolgt bis zu fünf Redirects oder unterstützt alle URI-Schemata. Weitere Änderungen listet Google in seiner Dokumentation für Entwickler.

Wie mit den Änderungen von Google deutlich wird, ist die Nutzung des IETF-Entwurfs mit Anpassungen auf Seiten der Webseitenbetreiber verbunden. Damit das Parsen der Robots.txt aber nicht zu viel Arbeit bedeutet, hat das Unternehmen seinen eigenen Parser dafür nun als Open Source auf Github veröffentlicht.

Bitte aktivieren Sie Javascript.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
  • ohne Werbung
  • mit ausgeschaltetem Javascript
  • mit RSS-Volltext-Feed


Anzeige
Hardware-Angebote
  1. täglich neue Deals bei Alternate.de
  2. (reduzierte Überstände, Restposten & Co.)

Kein Kostverächter 03. Jul 2019

Die robots.txt ist kein Sicherheitsfeature und war auch nie als solches gedacht. Sie ist...


Folgen Sie uns
       


Google Stadia - Test

Beim Test haben wir verschiedene Spiele auf Stadia von Google ausprobiert und uns mit der Einrichtung und dem Zugang beschäftigt.

Google Stadia - Test Video aufrufen
Netzwerke: Warum 5G nicht das bessere Wi-Fi ist
Netzwerke
Warum 5G nicht das bessere Wi-Fi ist

5G ist mit großen Marketing-Versprechungen verbunden. Doch tatsächlich wird hier mit immensem technischem und finanziellem Aufwand überwiegend das umgesetzt, was Wi-Fi bereits kann - ohne dessen Probleme zu lösen.
Eine Analyse von Elektra Wagenrad

  1. Rechenzentren 5G lässt Energiebedarf stark ansteigen
  2. Hamburg Telekom startet 5G in weiterer Großstadt
  3. Campusnetze Bisher nur sechs Anträge auf firmeneigenes 5G-Netz

Weltraumsimulation: Die Star-Citizen-Euphorie ist ansteckend
Weltraumsimulation
Die Star-Citizen-Euphorie ist ansteckend

Jubelnde Massen, ehrliche Entwickler und ein 30 Kilogramm schweres Modell des Javelin-Zerstörers: Die Citizencon 2949 hat gezeigt, wie sehr die Community ihr Star Citizen liebt. Auf der anderen Seite reden Entwickler Klartext, statt Marketing-Floskeln zum Besten zu geben. Das steckt an.
Ein IMHO von Oliver Nickel

  1. Theatres of War angespielt Star Citizen wird zu Battlefield mit Raumschiffen
  2. Star Citizen Mit der Carrack ins neue Sonnensystem
  3. Star Citizen Squadron 42 wird noch einmal verschoben

Staupilot: Der Zulassungsstau löst sich langsam auf
Staupilot
Der Zulassungsstau löst sich langsam auf

Nach jahrelangen Verhandlungen soll es demnächst internationale Zulassungskriterien für hochautomatisierte Autos geben. Bei höheren Automatisierungsgraden strebt die Bundesregierung aber einen nationalen Alleingang an.
Ein Bericht von Friedhelm Greis

  1. San José Bosch und Daimler starten autonomen Taxidienst
  2. Autonomes Fahren Ermittler geben Testfahrerin Hauptschuld an Uber-Unfall
  3. Ermittlungsberichte Wie die Uber-Software den tödlichen Unfall begünstigte

    •  /