CRAWL
BUDGET
VLADIMÍR SAUR
saur@dedouch.cz
@dedouch

CO OVLIVŇUJE PŘIDĚLENÝ
CRAWL BUDGET?
• Počet stránek webu
• Rank/popularita
• Častost aktualizace
• Rychlost webu/odezvy serveru

JAK SI CRAWL BUDGET
CO NEJLÉPE VYPLÁCAT?
• Velký počet URL s nízkou hodnotou
• Duplicity
• Podobnosti
• Soft errors
• Další linkované soubory
• Javascripty
• CSS
• Technické chyby
• Redirect chains
• URL, co nejsou URL
• Like atp.

JEŠTĚ STÁLE MÁME MOC
URL…
0
1000
2000
3000
4000
5000
6000
7000
0 1000 2000 3000 4000 5000 6000
traffic
počet URL

ŘÍZENÍ CRAWLINGU – CO
(TÉMĚŘ) NEFUNGUJE?
• Meta robots
• Javascriptové odkazy
• Kanonizace

ŘÍZENÍ CRAWLINGU – CO
MŮŽE FUNGOVAT?
• Meta robots v HTTP hlavičce?
• Sitemaps?
• Google Search Console – parametry
• Robots.txt
OMEZENÍ CRAWLINGU OMEZENÍ INDEXACE OMEZENÍ TRAFFICU
• Zrychlete web
• Sežeňte si dost unikátního obsahu

X-ROBOTS-TAG HTTP
HEADER
HTTP/1.1 200 OK
Date: Tue, 25 May 2010 21:42:43 GMT
(…)
X-Robots-Tag: noindex
(…)
HTTP/1.1 200 OK
Date: Tue, 25 May 2010 21:42:43 GMT
(…)
X-Robots-Tag: googlebot: nofollow
X-Robots-Tag: otherbot: noindex, nofollow
(…)

SITEMAPS
<?xml version="1.0" encoding="UTF-8"?>
<urlset
xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
<url>
<loc>http://www.example.com/</loc>
<lastmod>2005-01-01</lastmod>
<changefreq>monthly</changefreq>
<priority>0.8</priority>
</url>
</urlset>

GOOGLE SEARCH
CONSOLE – PARAMETRY

ROBOTS.TXT
User-agent: *
Disallow: /
User-agent: SeznamBot
Disallow:
User-agent: googlebot
Disallow: /cat*.php
Disallow: /cat*.php3$

ROBOTS.TXT 2.0
User-agent: *
Robot-version: 2.0
Disallow: /test*
Disallow: /ko??
Disallow: /file?
Disallow: /[0-9][^0-9]*
https://napoveda.seznam.cz/cz/fulltext-hledani-v-internetu/robots-txt/robots-txt-verze-2/
http://www.conman.org/people/spc/robots2.html

?
VLADIMÍR SAUR
saur@dedouch.cz
@dedouch

AHOJ!
VLADIMÍR SAUR
saur@dedouch.cz
@dedouch