Wtorek, 17 grudnia 2024 r.
Właśnie opublikowaliśmy nowy dokument na temat sprawdzonych metod nawigacji fasetowej, który początkowo został opublikowany jako post na blogu. Oto podsumowanie niektórych ważnych części nowej strony dokumentacji.
Nawigacja fasetowa to świetny sposób na ułatwienie użytkownikom znajdowania w Twojej witrynie tego, czego potrzebują, ale jeśli nie zostanie odpowiednio wdrożona, może stać się koszmarem dla SEO. Dlaczego? Ponieważ może generować prawie nieskończoną liczbę adresów URL, a w rezultacie powodować:
- Nadmiernie indeksowanie: wyszukiwarki tracą czas na indeksowanie niezliczonych adresów URL, które nie są wartościowe dla użytkowników wyszukiwarki.
- Wolniejsze wykrywanie: nadmierne indeksowanie spowalnia wykrywanie ważnych nowych treści.
Nawigacja fasetowa jest zdecydowanie najczęstszym źródłem problemów z nadmiernym indeksowaniem, o których właściciele witryn informują nas w raportach. W większości przypadków można było uniknąć tego problemu, stosując niektóre sprawdzone metody. Wróćmy jednak do wcześniejszych kwestii.
Problem z adresami URL
Każda kombinacja filtrów w nawigacji fasetowej zwykle tworzy niepowtarzalny adres URL. Na przykład:
https://example.com/items.shtm?products=fish&color=radioactive_green&size=tiny
Zmiana dowolnego parametru (product
, color
lub size
) powoduje utworzenie nowego adresu URL, co może prowadzić do potencjalnego gwałtownego wzrostu liczby adresów URL. I właśnie to jest problemem: praktycznie nieskończona liczba nowych adresów URL czeka na odkrycie. Naprawmy to.
2 podejścia
-
Blokowanie adresów URL nawigacji fasetowej:
-
Jeśli nie chcesz, aby te adresy URL były indeksowane, użyj parametru
robots.txt
, aby zablokować ich indeksowanie. -
Możesz też użyć fragmentów adresu URL (
#
) do filtrów, ponieważ wyszukiwarki zwykle je ignorują.
-
Jeśli nie chcesz, aby te adresy URL były indeksowane, użyj parametru
-
Zoptymalizuj adresy URL nawigacji fasetowej (jeśli chcesz, aby były indeksowane bez względu na koszty):
-
W przypadku parametrów adresu URL używaj standardowego separatora
&
. 💩 nie jest odpowiednim znakiem separatora parametrów. - Zachowaj spójną kolejność filtrów w ścieżce adresu URL.
- Zwracaj kod stanu
404
w przypadku kombinacji filtrów, które nie dają żadnych wyników. - O ile nie masz innych opcji (np. masz aplikację na jednej stronie), nie przekierowuj pustych wyników na ogólną stronę „Nie znaleziono”.
-
W przypadku parametrów adresu URL używaj standardowego separatora
Istotne kwestie
-
Możesz też użyć
rel="canonical"
, aby skonsolidować sygnały, kierując warianty na stronę główną. To może trochę potrwać. -
rel="nofollow"
w linkach filtrów może utrudniać indeksowanie, ale musi być stosowany konsekwentnie. Oznacza to, że każdy link do tych stron, zarówno wewnętrzny, jak i zewnętrzny, musi mieć atrybutrel="nofollow"
. - Skanowanie adresów URL nawigacji fasetowej zawsze zużywa zasoby serwera i może mieć wpływ na wykrywanie nowych treści.
Jeśli masz sugestie lub potrzebujesz wyjaśnień dotyczących naszego nowego dokumentu na temat sprawdzonych metod dotyczących nawigacji fasetowej, skorzystaj z narzędzia do przesyłania opinii w tym dokumencie. Jeśli interesuje Cię nawigacja fasetowa i chcesz o niej porozmawiać z innymi, dołącz do społeczności Centrum wyszukiwarki. Możesz też znaleźć nas na LinkedIn.
Chcesz dowiedzieć się więcej o skanowaniu? Zobacz całą serię Skanowanie w grudniu:
Tworzenie agentów AI za pomocą Kreatora agentów Vertex AI
Podczas tego ćwiczenia w Codelabs dowiesz się, jak tworzyć i wdrażać agenty generatywnej AI przy użyciu zaawansowanych narzędzi i infrastruktury Google Cloud. Omówimy najważniejsze pojęcia i przeprowadzimy Cię przez początkowe kroki, które należy wykonać, aby uruchomić pierwszego agenta.
Ćwiczenie z programowania dotyczące poufnej przestrzeni
Z tego laboratorium dowiesz się, jak uruchamiać zadania AI/ML za pomocą akceleratora przy użyciu rozwiązania Trusted Space.
Wdrażanie w Cloud Run pełnego pakietu aplikacji JavaScript z Cloud SQL for PostgreSQL
Cloud Run to w pełni zarządzana platforma, która umożliwia uruchamianie kodu bezpośrednio w infrastrukturze Google o wysokiej skalowalności. W tym Codelab pokażemy, jak połączyć aplikację Next.js w Cloud Run z bazą danych Cloud SQL dla PostgreSQL.
Ćwiczenie z programowania dotyczące regresji logistycznej
Dzięki temu ćwiczeniu z programowania dowiesz się, jak używać regresji logistycznej do poznawania, w jakim stopniu właściwości takie jak płeć, grupa wiekowa, czas wyświetlenia i typ przeglądarki przekładają się na prawdopodobieństwo kliknięcia
Ćwiczenie z programowania dotyczące regresji logistycznej
Dzięki temu ćwiczeniu z programowania dowiesz się, jak używać regresji logistycznej do poznawania, w jakim stopniu właściwości takie jak płeć, grupa wiekowa, czas wyświetlenia i typ przeglądarki przekładają się na prawdopodobieństwo kliknięcia
Ćwiczenie z programowania dotyczące regresji liniowej
Dzięki temu ćwiczeniu w Codelabs dowiesz się, jak z zastosowaniem regresji liniowej utworzyć model, który prognozuje koszt kliknięcia. Aby ukończyć to ćwiczenie, potrzebujesz: Aby ukończyć to ćwiczenie, potrzebujesz wystarczająco dużo wysokiej
Ćwiczenie z programowania dotyczące regresji liniowej
Dzięki temu ćwiczeniu w Codelabs dowiesz się, jak z zastosowaniem regresji liniowej utworzyć model, który prognozuje koszt kliknięcia. Aby ukończyć to ćwiczenie, potrzebujesz wystarczająco dużo wysokiej jakości danych kampanii, aby można było
Pierwsze kroki z wyszukiwaniem wektorowym w Spanner
W tym ćwiczeniu utworzysz instancję Spannera i wykonasz wyszukiwanie podobieństw wektorów dystrybucyjnych za pomocą wbudowanego wyszukiwania wektorowego w Spannerze oraz integracji z modelami Vertex AI.
Aidemy: tworzenie systemów wieloagentowych za pomocą LangGraph, EDA i generatywnej AI w Google Cloud
Aby opracować na platformie Google Cloud Platform funkcjonalny system asystenta nauczyciela oparty na AI, nazwany „Aidemy”, który demonstruje możliwości systemów wieloagentowych. Zdobądź praktyczne doświadczenie w zakresie projektowania, tworzenia i wdrażania złożonego systemu wieloagentowego w Google Cloud, opanowania kluczowych pojęć związanych z rozwojem aplikacji LLM oraz zrozumienia zalet architektur opartych na zdarzeniach.
Aplikacja do wyszukiwania zabawek z bazami danych w chmurze, środowiskiem uruchomieniowym bez serwera i integracjami z oprogramowaniem open source
W tym laboratorium programistycznym utworzysz aplikację wyszukiwania wektorowego opartą na RAG, która wyszukuje zabawki pasujące do wyszukiwania przez klienta (za pomocą tekstów i obrazów), tworzy zabawki niestandardowe na podstawie prośby użytkownika oraz przewiduje cenę niestandardowej zabawki, korzystając z AlloyDB, Gemini, Imagen, LangChain4j i GenAI Toolbox for Databases.
Interfejs Private Service Connect Vertex AI Pipelines
Z tego samouczka dowiesz się, jak skonfigurować i zweryfikować Vertex AI Pipelines w Private Service Connect
Tworzenie aplikacji do obsługi czatu na podstawie LLM i RAG przy użyciu AlloyDB AI i LangChain
Z tego ćwiczenia w Codelab dowiesz się, jak utworzyć klaster AlloyDB, wdrożyć usługę GenAI Databases Retrieval Service do baz danych i utworzyć przykładową aplikację korzystającą z tej usługi.
AlloyDB Omni i model AI lokalnego w Kubernetes.
W tym laboratorium kodu dowiesz się, jak wdrożyć AlloyDB Omni w klastrze GKE, wdrożyć model I w tym samym klastrze, zarejestrować model w AlloyDB Omni i sprawić, aby działały razem
Przyspieszanie wysyłania zapytań analitycznych za pomocą silnika kolumnowego w AlloyDB Omni.
Z tego ćwiczenia w Codelabs dowiesz się, jak wdrożyć AlloyDB Omni w maszynie wirtualnej Compute, wczytywać dane i używać AlloyDB Columnar Engine do zwiększenia wydajności
Wprowadzenie do wektorów dystrybucyjnych z AlloyDB AI
Z tego ćwiczenia w Codelabs dowiesz się, jak używać AlloyDB AI w połączeniu z wyszukiwaniem wektorowym i tworzyć indeksy danych wektorowych
Omówienie funkcji Gemini Code Assist Standard i Enterprise w edytorze Google Cloud Shell dla deweloperów
W tym ćwiczeniu skorzystasz z Gemini Code Assist, czyli opartej na AI usługi wspomagającej w Google Cloud. Poznasz sposoby korzystania z Gemini Chat i funkcji wstawiania kodu, aby generować kod, interpretować kod i wykonywać inne zadania związane z kodowaniem przy użyciu AI.
Pierwsze kroki z wektorami dystrybucyjnymi w Cloud SQL for PostgreSQL
W tym laboratorium programistycznym dowiesz się, jak używać integracji Cloud SQL AI w połączeniu z wyszukiwaniem wektorowym i tworzyć indeksy danych wektorowych.
Wyświetlanie obrazów AVIF
Obrazy stanowią ponad 60% bajtów potrzebnych do wczytania strony internetowej. Dzięki AVIF możesz zmniejszyć rozmiar obrazów i przyspieszyć wczytywanie witryny. AVIF to format obrazu pochodzący z bitream wideo AV1. Format AVIF został opracowany z
Jak utworzyć połączenie Private Service Connect dla AlloyDB
Z tego Codelab dowiesz się, jak utworzyć usługę Private Service Connect dla AlloyDB
Tworzenie narzędzia do podsumowywania filmów w YouTube na podstawie Gemini
Z tego ćwiczenia w Codelabs dowiesz się, jak utworzyć narzędzie do streszczania filmów na podstawie Gemini, które może streszczać filmy w YouTube.
Jak utworzyć Private Service Connect dla Cloud SQL
Z tego ćwiczenia dowiesz się, jak utworzyć usługę Private Service Connect dla Cloud SQL
Instalowanie i konfigurowanie Toolboxa do zastosowań generatywnej AI i agentów w AlloyDB
W tym laboratorium programistycznym utworzysz i wdrożysz narzędzia dla aplikacji do prognozowania cen, która korzysta z AlloyDB i funkcji generatywnej AI za pomocą usługi GenAI Toolbox for Databases.
Praktyczne techniki obserwowalności w przypadku aplikacji generatywnej AI w języku Go
Aplikacje korzystające z generatywnej AI wymagają możliwości obserwacji jak każda inna aplikacja. Czy w przypadku generatywnej AI wymagane są specjalne techniki obserwowalności? W tym laboratorium utworzysz prostą aplikację wykorzystującą generatywną
Tworzenie za pomocą Firebase Data Connect
Dowiedz się, jak tworzyć aplikacje internetowe za pomocą Firebase Data Connect i GraphQL
Codelab – tworzenie kontekstowej aplikacji do rekomendowania asan jogi za pomocą Firestore, wyszukiwania wektorowego, Langchain i Gemini (wersja w Pythonie)
To ćwiczenie w Codelab poprowadzi Cię przez proces tworzenia aplikacji do rekomendowania pozycji jogi opartej na wiedzy. Aplikacja odpowiada na pytania użytkowników, sugerując odpowiednie pozycje jogi. Dowiesz się, jak utworzyć kolekcję Firestore zawierającą pozycje jogi na podstawie zbioru danych Hugging Face, skonfigurować wyszukiwanie wektorów w Firestore i zintegrować wszystko z aplikacją Flask.
Praktyczne techniki obserwowalności w przypadku aplikacji generatywnej AI w języku JavaScript
Aplikacje korzystające z generatywnej AI wymagają możliwości obserwacji jak każda inna aplikacja. Czy w przypadku generatywnej AI są wymagane specjalne techniki obserwowalności? W tym module utworzysz prostą aplikację wykorzystującą generatywną AI.
Praktyczne techniki obserwowalności w przypadku aplikacji generatywnej AI w Pythonie
Aplikacje korzystające z generatywnej AI wymagają możliwości obserwacji jak każda inna aplikacja. Czy w przypadku generatywnej AI są wymagane specjalne techniki obserwowalności? W tym module utworzysz prostą aplikację wykorzystującą generatywną AI.
Praktyczne techniki obserwowalności w przypadku aplikacji generatywnej AI w języku Java
Aplikacje korzystające z generatywnej AI wymagają możliwości obserwacji jak każda inna aplikacja. Czy w przypadku generatywnej AI są wymagane specjalne techniki obserwowalności? W tym module utworzysz prostą aplikację wykorzystującą generatywną AI.
Building Applications in the AI Era
W tym module użyjesz produktów generatywnej AI od Google do tworzenia infrastruktury w Google Cloud przy pomocy Gemini Cloud Assist, wysyłasz zapytania do danych BigQuery za pomocą funkcji SQL w Data Canvas, piszesz kod w notatnikach Jupyter w Colab
Utwórz kontekstualną aplikację do rekomendowania pozycji jogi za pomocą Firestore, wyszukiwania wektorowego i Gemini 2.0.
W tym ćwiczeniu w Codelab utworzysz kontekstową aplikację do wyszukiwania pozycji jogi, która odpowiada na pytania użytkowników o jogę. Pozwala też na wykonywanie zadań administracyjnych, takich jak tworzenie i edytowanie pozycji jogi.