Abo
  • IT-Karriere:

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. DR. JOHANNES HEIDENHAIN GmbH, Traunreut (Raum Rosenheim)
  2. Camelot ITLab GmbH, Mannheim, Köln, München

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.



Anzeige
Top-Angebote
  1. 4,49€
  2. (-70%) 14,99€
  3. 0,00€ im Epic Store
  4. (aktuell u. a. Asus PG279Q ROG Monitor 689€, Corsair Glaive RGB Maus 34,99€)

Kein Kostverächter 03. Jul 2019 / Themenstart

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

Kommentieren


Folgen Sie uns
       


Phase One IQ4 ausprobiert

Die Phase One IQ4 ist das Mittelformatsystem mit der höchsten Auflösung, das zur Zeit erhältlich ist. Wir haben die Profikamera getestet.

Phase One IQ4 ausprobiert Video aufrufen
In eigener Sache: Neue Workshops zu agilem Arbeiten und Selbstmanagement
In eigener Sache
Neue Workshops zu agilem Arbeiten und Selbstmanagement

Wir haben in unserer Leserumfrage nach Wünschen für Weiterbildungsangebote gefragt. Hier ist das Ergebnis: Zwei neue Workshops widmen sich der Selbstorganisation und gängigen Fehlern beim agilen Arbeiten - natürlich extra für IT-Profis.

  1. In eigener Sache ITler und Board kommen zusammen
  2. In eigener Sache Herbsttermin für den Kubernetes-Workshop steht
  3. Golem Akademie Golem.de startet Angebote zur beruflichen Weiterbildung

Erneuerbare Energien: Die Energiewende braucht Wasserstoff
Erneuerbare Energien
Die Energiewende braucht Wasserstoff

Kein anderes Element ist so universell und dabei simpel aufgebaut wie Wasserstoff und das energiereiche Gas lässt sich aus fast jedem Energieträger gewinnen. Genauso vielseitig gestaltet sich seine Nutzung.
Ein Bericht von Jan Oliver Löfken

  1. Strom-Boje Mittelrhein Schwimmende Kraftwerke liefern Strom aus dem Rhein
  2. Speicherung von Überschussstrom Wasserstoff soll bei Engpässen helfen
  3. Energiewende DLR-Forscher bauen Kohlekraftwerke zu Stromspeichern um

In eigener Sache: Golem.de bietet Seminar zu TLS an
In eigener Sache
Golem.de bietet Seminar zu TLS an

Der Verschlüsselungsexperte und Golem.de-Redakteur Hanno Böck gibt einen Workshop zum wichtigsten Verschlüsselungsprotokoll im Netz. Am 24. und 25. September klärt er Admins, Pentester und IT-Sicherheitsexperten in Berlin über Funktionsweisen und Gefahren von TLS auf.

  1. In eigener Sache Zweiter Termin für Kubernetes-Seminar
  2. Leserumfrage Wie können wir dich unterstützen?
  3. In eigener Sache Was du schon immer über Kubernetes wissen wolltest

    •  /