Робот, или паук, или червь, или crawler, или сетевой агент - программа обхода Сети. Базовой информацией для работы этой программы является список адресов (URL). Дополнительная информация берется из robots.txt (файла, в котором Web-администратор может запретить роботу заходить на те или иные разделы сайта, подробнее см. на http://www.topserver.donetsk.ua/Robot/ ). В самом общем случае робот предназначен для скачивания страниц по указанным адресам в место, указанное его хозяином.
Помимо robots.txt существуют и другие джентельменские соглашения для работы роботов - например, он не должен делать более одного коннекта, чтобы не забить канал и дать возможность другим пользователям Сети общаться с данным сервером.
Для поисковой машины Yandex.Ru в состав робота входят еще модули индексации, распознавания кодировок (если на странице содержится русский язык) и определения уникальности документа.
=============================================================================
Как Yandex.Ru узнает о новых ресурсах
=============================================================================
Как Yandex.Ru узнает о новых серверах и страницах? Есть два способа - или владельцы ресурсов сами добавляют их (заполнив форму AddURL на http://yandex.ru/addurl.html или послав письмо на addurl@yandex.ru ), или робот находит новые ссылки в проиндексированных страницах. Так, например, с первой страницы сервера робот берет ссылки на последующие и так далее, без ограничения глубины, до тех пор, пока новые адреса не перестанут появляться.
Поскольку задачей Yandex.Ru является работа с русско-язычным и/или российско-ориентированным Интернетом, введено следующее правило: сервера в доменах России и стран СНГ ('su', 'ru', 'am', 'az', 'by', 'ge', 'kg', 'kz', 'md', 'tj', 'ua', 'uz') принимаются по умолчанию. Сервера в других доменах - если на них найден русский язык или если владельцы ресурсов убедят администрацию поисковой машины в том, что их сервер подпадает под указанную категорию (это обычно делается письмом на addurl@yandex.ru ).
Итак, не удивляйтесь, если URL, который Вы добавляете, уже есть в базе робота. Наш робот мог найти Ваш URL по ссылкам из других проиндексированных документов. Не стоит также огорчаться, если при этом Вы не можете найти этот документ в Yandex. Наверняка наш "паук" просто еще не успел дойти до Вашего документа, и он будет проиндексирован через несколько дней.
==============================================================================
Правила индексации в Yandex.Ru
==============================================================================
Yandex индексирует страницы по их истинным адресам. Это значит, что, если на странице стоит redirect, робот воспримет его как ссылку на новый адрес и поступит с ним по правилам, указанным выше. То же самое произойдет, если в одном из фреймов будет стоять ссылка на другой сервер. В частности, если эта ссылка находится вне доменов, разрешенных по умолчанию, страница НЕ будет проиндексирована.
Кроме этого, Yandex начинает бороться со спамом, и страницы со временем redirect'а равным нулю будут исключаться из индексирования (непонятно, какие еще цели, кроме спама, могут быть у создателей страницы, которую пользователь в принципе не может увидеть).
Робот Yandex.Ru хранит дату последнего обхода каждого URL, дату его изменения (присланную его Web-сервером) и дату внесения последних изменений в базу поиска (дату индексации). Он оптимизирует обход Сети таким образом, чтобы чаще посещать наиболее изменяемые сервера.
По этой причине, а также потому, что на Yandex.Ru работает поиск и сортировка по датам, очень хотелось бы, чтобы сервера выдавали корректные даты изменения файлов, чего не происходит более чем в 20 процентов случаев.
Yandex.Ru является полнотекстовой поисковой машиной. Это значит, что в индекс попадают все слова текста на странице, видимые пользователю (то есть кроме комментариев и слов внутри тэгов). В ближайшее время планируется начать индексировать Meta-keywords.
=============================================================================
Как узнать, проиндексирован ли ресурс
=============================================================================
Чтобы проверить, проиндексирована ли Ваша страница, достаточно скопировать из нее какую-нибудь характерную строчку, желательно подлиннее (копирайт, адрес, название и описание), и задать ее как запрос в Yandex. Если на первой странице списка найденного Вашей страницы не оказалось, значит, она еще не проиндексирована. Тогда стоит проверить, есть ли она уже в базе робота.
Для этого надо пойти на страницу AddURL ( http://yandex.ru/addurl.html ) и попробовать добавить адрес еще раз. Если Вы получили ответ, что страница уже содержится в базе робота, это значит, что она будет проиндексирована в ближайшее время. Если же Вы получили ответ, что страница добавлена, это значит, что в первый раз при добавлении что-то было сделано неверно - возможно, Вы не обратили внимание на диагностику, которая Вам была выдана.