ASP.NET的SEO：使用.ashx文件——排除重复内容

本系列目录

不同的链接指向的页面如果具有大量相同的内容，这种现象就会被称为“重复内容”，如果一个网站的重复内容很多，搜索引擎就会认为这个网站的价值不高。所以我们应尽量避免各种重复内容。

动态网站的重复内容常常是由URL参数引起的，而URL重写会恶化这一现象（比较耐人寻味哟，呵呵）。因为如果使用的是原始的URL参数的话，搜索引擎可能会进行适当的判断，而得知重复内容是由URL参数引起的，自动的进行相应的处理；而URL重写会掩盖URL参数，反而使得搜索引擎无法识别URL参数。比如：

 原始的URL:
http://www.freeflying.com/articles.aspx?id=231&catelog=blog
http://www.freeflying.com/articles.aspx?id=231&catelog=news

经过URL重写过后的URL：
http://www.freeflying.com/blog/231.html
http://www.freeflying.com/news/231.html

这些URL所指向的页面内容其实是一样的，都是id=231的那篇文章，但这篇文章被blog和news两个栏目所引用，出于各种原因的考虑，我们最终的URL还是如上所示。
处理的办法有两种，一种是利用机器人（robot）协议“排除”其中一个，另一种是通过301将其中一个URL永久重定向另一个URL。

今天我们先讲robot协议。简单的讲，robot指的就是搜索引擎，针对Google，我们又将其称之为“蜘蛛（spider）”。蜘蛛是很有礼貌的，在抓取你的网页内容的之前，会首先征求你的意见。而你和robot之前就基于robot协议进行沟通。具体到实现，有两种方式：

1. 将一个的robots.txt文本添加到网站根目录下，如：

#static content, forbid all the pages under the "Admin" folder
User-agent: *
Disallow: /Admin

#行表示注释；
User-agent指搜索引擎，*表示针对所有搜索引擎，也可以指定具体的搜索引擎，如User-agent: googlebot；
Disallow指定不允许访问的目录或页面，注意：1. 此文本是大小写敏感的；2.必须以“”开头，表示网站根目录；
和本系列的宗旨一样，我们着重谈ASP.NET技术。所以更多的robots.txt文本的注意事项，请查看http://www.googlechinawebmaster.com/2008/03/robotstxt.html

但我们怎么动态的生成这个文件呢（这种需求其实蛮多的）？可能我们马上想到的就是I/O操作，在根目录下写一个txt文件……，但其实还可以有一种方法：使用一般处理程序（.ashx文件），代码如下：

 <%@ WebHandler Language="C#" Class="Handler" %>

using System;
using System.Web;

public class Handler : IHttpHandler {
    
    public void ProcessRequest (HttpContext context) {

        HttpResponse response = context.Response;
        
        response.Clear();
                
        //response.ContentType = "text/plain";  如果要用IE6查看页面的话，不能这一条声明，原因不详
        
    //下面这两句在实际使用中应该数据库等动态生成
        response.Write("User-agent: * 
");
        response.Write("Disallow: /news/231.html 
");

    //引用一个静态的robots文件内容，里面存储不会改变的屏蔽内容
        response.WriteFile("~/static-robots.txt");

        response.Flush();
    }
 
    public bool IsReusable {
        get {
            return false;
        }
    }

}

一般处理程序实现了IHttpHandler，在前面UrlRewrite部分中，我们讲到了HttpModule，其实在ASP.NET的应用程序生命周期中，有一个称之为“管道（pipeline）”的概念：一个HTTP请求，经过一个有一个的HttpModule的“过滤/处理”，最终到达一个HttpHandle的“处理器”部分，HttpModule和HttpHandle就组成了一个“管道”，非常形象哟，呵呵。贴张图吧：

 

如果你对它还比较陌生的话，查看Page的源代码，你会发现，Page也实现了IHttpHandler，所以*.aspx文件是最常用的HttpHandle。但Page不仅仅是一个HttpHandler，它还嵌入了复杂的页面生命周期事件，所以从节约资源的角度考虑，很多时候我也可以使用自定义的、更轻量级的*.ashx文件（），来完成一些简单的工作。和生成一个txt文件类似，我们还可以生成验证码（jpg文件），xml文件等。

然后还要做的一件事就是进行URLRewrite：

     void Application_BeginRequest(object sender, EventArgs e)
    {
        // Code that runs on application startup
        HttpContext context = HttpContext.Current;
        string currentLocation = context.Request.Url.LocalPath;

        if (currentLocation.ToLower() == "/website1/robots.txt")
        {
            context.RewritePath("~/Handler.ashx");
        }

    }

这样，蜘蛛就会以为在网站的根目录下的确存在一个robots.txt文件。

2. 在需要屏蔽的页面META标签里加上
<meta id="meta" name="robots" content="noindex,nofollow" />
noindex 意味着该页面不能被索引
nofollow 意味着该页面不能被“跟随”（将在SEO Hack中详细讲解）
这是静态页面的效果，如果需要动态生成，也相当简单：

     protected void Page_Load(object sender, EventArgs e)
    {
        HtmlMeta meta = new HtmlMeta();
        meta.Name = "robots";
        meta.Content = "noindex,nofollow";
        this.Header.Controls.Add(meta);
    }

meta中还可以指定description、keyword等，其技术实现是相同的。

那么，两种方式我们如何选择呢？我的一些建议：
1. 尽量使用robots.txt，这既能降低网站的负载（虽然很小，呵呵），因为蜘蛛查看了robots.txt文件之后，就不会再请求被屏蔽的相关页面了；而如果使用meta方式，蜘蛛必须先请求该页面，再做出不检索的判断，这时Http请求已经发出了，服务器端的资源就已经浪费了；另外，如果过多的meta屏蔽，也会使蜘蛛对网站产生不佳的印象，减少或放弃该网站的检索收录；
2. robots.txt文本的匹配时从左到右的，这里就没什么正则匹配了！所以有的时候，我们不得不使用meta方式了。如我们文章开始的URL：
http://www.freeflying.com/blog/231.html
http://www.freeflying.com/news/231.html

最后，再讲一些注意事项：
1. 不要在所有页面使用相同的Keyword和Discription，这是我们很容易犯的一个错误，虽然articles.aspx是一个页面，但加上url参数后，就变成了成千上万个页面，如果你在页面上写死了Keyword和Discription，那将使这成千上万个页面都是一样的Keyword和Discription！
2. 尽量避免使用基于URL的SessionID。ASP.NET在客户端禁用cookie的情况下，可以设置使用基于URL的SessionID，效果类似：
http://www.freeflying.com/(S(c3hvob55wirrndfd564))/articles.aspx