使用.ashx文件去除重復內容

不同的鏈接指向的頁面如果具有大量相同的內容，這種現象就會被稱為“重復內容”，如果一個網站的重復內容很多，搜索引擎就會認為這個網站的價值不高。所以我們應盡量避免各種重復內容。

動態網站的重復內容常常是由URL參數引起的，而URL重寫會惡化這一現象（比較耐人尋味喲，呵呵）。因為如果使用的是原始的URL參數的話，搜索引擎可能會進行適當的判斷，而得知重復內容是由URL參數引起的，自動的進行相應的處理；而URL重寫會掩蓋URL參數，反而使得搜索引擎無法識別URL參數。比如：

這些URL所指向的頁面內容其實是一樣的，都是id=231的那篇文章，但這篇文章被blog和news兩個欄目所引用，出於各種原因的考慮，我們最終的URL還是如上所示。

處理的辦法有兩種，一種是利用機器人（robot）協議“排除”其中一個，另一種是通過301將其中一個URL永久重定向另一個URL。

今天我們先講robot協議。簡單的講，robot指的就是搜索引擎，針對Google，我們又將其稱之為“蜘蛛（spider）”。蜘蛛是很有禮貌的，在抓取你的網頁內容的之前，會首先征求你的意見。而你和robot之前就基於robot協議進行溝通。具體到實現，有兩種方式：

1. 將一個的robots.txt文本添加到網站根目錄下，如：

#行表示注釋；

User-agent指搜索引擎，*表示針對所有搜索引擎，也可以指定具體的搜索引擎，如User-agent： googlebot；

Disallow指定不允許訪問的目錄或頁面，注意：1. 此文本是大小寫敏感的；2.必須以“\”開頭，表示網站根目錄；

和本系列的宗旨一樣，我們著重談ASP.Net技術。所以更多的robots.txt文本的注意事項，請查看http://www.googlechinawebmaster.com/2008/03/robotstxt.Html

但我們怎麼動態的生成這個文件呢（這種需求其實蠻多的）？可能我們馬上想到的就是I/O操作，在根目錄下寫一個txt文件……，但其實還可以有一種方法：使用一般處理程序（.ashx文件），代碼如下：

<%@ 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查看頁面的話，不能這一條聲明，原因不詳
        
    //下面這兩句在實際使用中應該數據庫等動態生成
        response.Write("User-agent: * \n");
        response.Write("Disallow: /news/231.Html \n");

    //引用一個靜態的robots文件內容，裡面存儲不會改變的屏蔽內容
        response.WriteFile("~/static-robots.txt");

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

}

一般處理程序實現了IHttpHandler，在前面UrlRewrite部分中，我們講到了HttpModule，其實在ASP.Net的應用程序生命周期中，有一個稱之為“管道（pipeline）”的概念：一個HTTP請求，經過一個有一個的HttpModule的“過濾/處理”，最終到達一個HttpHandle的“處理器”部分，HttpModule和HttpHandle就組成了一個“管道”，非常形象喲，呵呵。貼張圖吧：

如果你對它還比較陌生的話，查看Page的源代碼，你會發現，Page也實現了IHttpHandler，所以*.ASPx文件是最常用的HttpHandle。但Page不僅僅是一個HttpHandler，它還嵌入了復雜的頁面生命周期事件，所以從節約資源的角度考慮，很多時候我也可以使用自定義的、更輕量級的*.ashx文件（），來完成一些簡單的工作。和生成一個txt文件類似，我們還可以生成驗證碼（jpg文件），XML文件等。

然後還要做的一件事就是進行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");
        }

    }

這樣，蜘蛛就會以為在網站的根目錄下的確存在一個robots.txt文件。

2. 在需要屏蔽的頁面META標簽裡加上

<meta id=“meta” name=“robots” content=“noindex，nofollow” />

noindex 意味著該頁面不能被索引

nofollow 意味著該頁面不能被“跟隨”（將在SEO Hack中詳細講解）

這是靜態頁面的效果，如果需要動態生成，也相當簡單：

    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中還可以指定description、keyWord等，其技術實現是相同的。

那麼，兩種方式我們如何選擇呢？我的一些建議：

1. 盡量使用robots.txt，這既能降低網站的負載（雖然很小，呵呵），因為蜘蛛查看了robots.txt文件之後，就不會再請求被屏蔽的相關頁面了；而如果使用meta方式，蜘蛛必須先請求該頁面，再做出不檢索的判斷，這時Http請求已經發出了，服務器端的資源就已經浪費了；另外，如果過多的meta屏蔽，也會使蜘蛛對網站產生不佳的印象，減少或放棄該網站的檢索收錄；

2. robots.txt文本的匹配時從左到右的，這裡就沒什麼正則匹配了！所以有的時候，我們不得不使用meta方式了。如我們文章開始的URL：

http://www.freeflying.com/blog/231.Html

http://www.freeflying.com/news/231.Html

最後，再講一些注意事項：

1. 不要在所有頁面使用相同的KeyWord和Discription，這是我們很容易犯的一個錯誤，雖然articles.ASPx是一個頁面，但加上url參數後，就變成了成千上萬個頁面，如果你在頁面上寫死了Keyword和Discription，那將使這成千上萬個頁面都是一樣的KeyWord和Discription！

2. 盡量避免使用基於URL的SessionID。ASP.Net在客戶端禁用cookIE的情況下，可以設置使用基於URL的SessionID，效果類似：

http://www.freeflying.com/(S(c3hvob55wirrndfd564))/articles.ASPx

作者：自由飛