Ir al contenido

Esta página es una traducción automática de la página en inglés, que es la versión de referencia. Leer la página en inglés

Vistas previas de enlaces (OGP / X Card / fediverse:creator)

Las vistas previas que otros servicios muestran de las páginas de este servidor, lo que el servidor devuelve para ellas y los pasos para comprobarlas a mano. Las tarjetas que este servidor muestra para los enlaces de sus propias publicaciones están en Tarjetas de enlaces en las publicaciones más abajo; cómo dejar de obtenerlas de un dominio se explica en la configuración de la instancia.

my serve devuelve el HTML de la página de inicio (https://<host>/), la página de información de la instancia (https://<host>/about), las páginas de los documentos publicados (/about/terms, /about/privacy, /about/commerce), la página sobre el rastreador de tarjetas de enlaces (/about/crawler), los perfiles (https://<host>/@alice) y las publicaciones (https://<host>/@alice/status/<post ID>) incrustando metaetiquetas en la estructura base del cliente web. Una petición de HTML se trata siempre como sin sesión iniciada, de modo que una vista previa muestra solo lo que puede ver un visitante sin sesión.

Página Respuesta
La página de inicio (/) y la página de información de la instancia (/about) 200. La estructura base con metaetiquetas que presentan la instancia (consulta «La página de inicio» más abajo)
La página sobre el rastreador de tarjetas de enlaces (/about/crawler) 200. La estructura base con metaetiquetas que presentan la instancia, con el título «Rastreador de tarjetas de enlaces | nombre de la instancia»
Las páginas de documentos publicados (/about/terms, /about/privacy, /about/commerce) 200. La estructura base con metaetiquetas que presentan la instancia, con el título «nombre del documento | nombre de la instancia». La página de un documento que no está publicado recibe la estructura base genérica
Una publicación public, el perfil de una cuenta local activa 200. La estructura base con metaetiquetas
Una publicación unlisted 200. La estructura base con metaetiquetas, más <meta name="robots" content="noindex, noarchive"> y X-Robots-Tag: noindex, noarchive
Una publicación local, private, direct, eliminada o inexistente, y el perfil y las publicaciones de una cuenta suspendida, desactivada, eliminada o limitada 404. La estructura base genérica y X-Robots-Tag: noindex, noarchive. El cuerpo y las cabeceras son iguales sea cual sea el motivo
/@<old username>/status/<post ID> 301, a la URL con el nombre de usuario actual
La página de una etiqueta (/tags/<tag>) 200. La estructura base genérica, con el enlace al feed Atom de la etiqueta (consulta «La estructura base genérica» más abajo)
Cualquier otra página del cliente web (explorar, las páginas públicas de costos y de mecenas, inicio de sesión, etc.) 200. La estructura base genérica, con las metaetiquetas de la instancia (consulta «La estructura base genérica» más abajo)

Cada página lleva además las declaraciones para los motores de búsqueda y los rastreadores de IA (metaetiquetas como noindex y noai, y X-Robots-Tag, Content-Usage y tdm-reservation), según la configuración de la instancia y los de su propietario (motores de búsqueda y rastreadores de IA). El noindex de la tabla anterior se añade siempre, sean cuales sean las configuraciones. noindex no impide las vistas previas de enlaces.

Una petición con un Accept de ActivityPub no recibe la estructura base; la responde la parte de ActivityPub (un perfil responde con el id del actor, y una publicación que un visitante sin sesión puede ver responde con un 302 a su id). Cada respuesta lleva Vary: Accept.

Etiqueta Contenido
og:title, <title> «Nombre visible (@usuario@dominio de la cuenta)». El nombre de usuario si el nombre visible está vacío. En un artículo, su título
og:type profile para un perfil, article para una publicación y un artículo
og:url, <link rel="canonical"> La URL canónica (la URL con el nombre de usuario actual)
og:description El texto sin formato del cuerpo de la publicación (la biografía en un perfil) sin etiquetas, recortado a 200 grafemas. En una publicación con advertencia de contenido, solo el texto de la advertencia de contenido. En un artículo, su resumen, también cuando está marcado como sensible; el cuerpo de un artículo nunca está en la página
og:image, og:image:alt / width / height La imagen elegida en el orden indicado más abajo
og:site_name El nombre de la instancia (el texto name, igual en todos los idiomas; host si no hay; nombre y dominio)
og:locale, <html lang dir> El idioma de la publicación. Cuando no está definido (und), el idioma de publicación por defecto del autor y, si no lo hay, el default_locale de la instancia. No cambia con Accept-Language. og:locale tiene la forma language_TERRITORY: un idioma sin región recibe la habitual (ja → ja_JP, en → en_US, pt → pt_BR), y <html lang> conserva la etiqueta de idioma tal cual
article:published_time, article:author Solo publicaciones. La hora de la publicación (UTC) y la URL del perfil del autor
profile:username Solo perfiles. username@account domain
twitter:card summary_large_image cuando la imagen es más ancha que aproximadamente 2:1 (ancho / alto >= 1.7) y de al menos 300x157; en caso contrario, summary
fediverse:creator @username@account domain. Mastodon lo muestra como «autor»
<link rel="alternate" type="application/activity+json"> El id de AP (el actor o el objeto de la publicación)
<link rel="alternate" type="application/atom+xml"> Solo los perfiles que tienen un feed Atom: la dirección del feed (https://<host>/@<username>.atom), con el mismo título que og:title. Un perfil cuyo titular desactivó el feed, y una cuenta limitada o mudada, no tienen ninguno

Las metaetiquetas de la página de inicio presentan la propia instancia.

  • og:type es website, og:title, <title> y og:site_name son el nombre de la instancia, y og:url y <link rel="canonical"> son https://<host>/.
  • og:description es el texto de la instancia short_description recortado a 200 grafemas. Se omite cuando no hay.
  • El idioma (og:locale, <html lang dir>) es el default_locale de la instancia. El nombre y la descripción son el mismo valor en todos los idiomas.
  • og:image es la imagen de la instancia: el número 3 de la lista siguiente, o el número 4, 5 o 6 si no hay.
  • No pertenece a ninguna cuenta, así que fediverse:creator y el alternate de ActivityPub no se generan.
  • La página de información de la instancia (/about) tiene las mismas metaetiquetas. og:title y <title> son «Acerca de {nombre de la instancia}» (server:preview.about_title), y og:url y <link rel="canonical"> son https://<host>/about.
  • Las páginas de documentos publicados (/about/terms, /about/privacy, /about/commerce) también tienen las mismas metaetiquetas. og:title y <title> son «{nombre del documento} | {nombre de la instancia}» (server:preview.document_title), y og:url y <link rel="canonical"> son la dirección de esa página. La página de un documento que no está publicado recibe la estructura base genérica.
  • La página sobre el rastreador de tarjetas de enlaces (/about/crawler) tiene las mismas metaetiquetas, con la misma forma de título y de dirección.

La estructura base genérica, que devuelven todas las demás páginas y el 404 de una publicación oculta, lleva las mismas etiquetas que la página de inicio sin una dirección propia: og:type website, el nombre de la instancia como og:site_name y og:title, short_description como og:description, og:locale, la imagen de la instancia y twitter:card. No tiene og:url ni <link rel="canonical">, de modo que una sola copia sirve para todas las rutas, y el 404 de una publicación oculta sigue siendo idéntico a cualquier otra página. La página de una etiqueta solo añade <link rel="alternate" type="application/atom+xml"> al feed de la etiqueta (https://<host>/tags/<tag>.atom), con el título «#tag en nombre de la instancia» (server:feed.tag_title), haya usado o no una publicación la etiqueta todavía. Un enlace compartido a una etiqueta o a la página pública de costos muestra la tarjeta de la instancia.

Los propios feeds son documentos Atom 1.0 con las 20 publicaciones públicas locales más recientes que no son respuestas ni impulsos, con ETag, Last-Modified y Cache-Control: public, max-age=60. La entrada de un artículo es su título y su resumen, con el enlace al artículo; su cuerpo permanece en la página del artículo. Cada perfil con feed tiene también un feed solo de artículos, https://<host>/@<username>/articles.atom, con el título «Artículos de nombre (@handle)» (server:feed.articles_title), que sigue las mismas reglas; la página del perfil enlaza solo su feed principal. El servidor guarda cada feed renderizado en su almacén clave-valor durante un minuto, así que un cambio llega a un feed en aproximadamente un minuto. Un feed lleva las mismas declaraciones X-Robots-Tag y de IA que su perfil; el feed de una etiqueta es siempre noindex y declara el rechazo de IA de cualquiera de sus autores. Un perfil sin feed, y una etiqueta que ninguna publicación ha usado, responden 404.

og:image se elige en este orden.

  1. La primera imagen adjunta a la publicación, o la portada de un artículo (su texto alternativo va en og:image:alt). No se usa en una publicación o un artículo marcados como sensibles, ni en una publicación con advertencia de contenido.
  2. La imagen de cabecera del perfil o, si no hay, el avatar (og:image:alt es «Imagen de cabecera de {name}» o «Avatar de {name}»).
  3. La imagen de vista previa de la instancia (la configuración de la instancia preview_image, en «Vistas previas de enlaces» de Configuración → General de la administración; og:image:alt es el texto preview_image_alt o, si no hay, «Imagen de {nombre de la instancia}»).
  4. La miniatura de la instancia (la configuración de la instancia thumbnail, la imagen de la página Configuración → General; og:image:alt es el texto thumbnail_alt o, si no hay, «Imagen de {nombre de la instancia}»).
  5. La versión para vista previa de enlaces del logotipo propio de la instancia (logotipo e icono), un PNG de 1200x630 en https://<host>/brand/<revision>/preview-1200x630.png (og:image:alt es «Imagen de {nombre de la instancia}»).
  6. La imagen predeterminada incluida (https://<host>/preview-image.png, un PNG de 1200x630 con el logotipo de mycroblog sobre blanco, sin el nombre de la instancia; og:image:alt es «El logotipo de mycroblog»).

Los números 3 a 6 son la imagen de la instancia. Así, una página que muestra una vista previa siempre tiene og:image y og:image:alt. Las imágenes de 1 a 4 son la variante large del archivo multimedia procesado, y el ancho y el alto son los valores del procesamiento. Si preview_image no está definido, aún se está procesando, falló el procesamiento o no es una imagen, se usa la miniatura, después el logotipo y después la imagen incluida. La configuración de la instancia se lee en cada petición, así que my instance set preview_image ... surte efecto sin reiniciar (para el procedimiento, consulta la configuración de la instancia).

La imagen incluida forma parte del binario (unos 20 KB). Se sirve con Cache-Control: no-cache y un ETag.

  • La respuesta lleva Cache-Control: public, max-age=60, stale-while-revalidate=300. Una eliminación, un cambio de visibilidad o la publicación o retirada de un documento permanece en las cachés compartidas como máximo ese tiempo.
  • El ETag se construye a partir de las versiones de la plantilla, de los recursos y de la configuración de la instancia, el idioma, la versión (revisión) de la publicación, la visibilidad efectiva, la versión del perfil y la imagen elegida (para la página de inicio, la página de información, las páginas de documentos y la página sobre el rastreador: la dirección de la página, su título, la descripción de la instancia y la imagen elegida; para la estructura base genérica: el nombre de la instancia, su descripción y la imagen de la instancia). If-None-Match recibe 304.
  • Si pones una CDN delante, incluye Accept en la clave de caché (para que el JSON de AP y el HTML no se mezclen).

Comprueba cada servicio en un dispositivo real después de una actualización o de un cambio en las configuraciones de vista previa. Necesitas una instancia accesible desde el exterior por HTTPS (los bots de vista previa no pueden llegar a localhost).

  1. Con una cuenta de pruebas, prepara estas publicaciones.

    • Una publicación public con una imagen apaisada (por ejemplo, de 1200x630) y texto alternativo
    • Una publicación public sin imagen (de una cuenta que tenga imagen de cabecera)
    • Una publicación public cuyo cuerpo tenga más de 200 caracteres y contenga emojis (como 👨‍👩‍👧‍👦)
    • Una publicación unlisted
    • Una publicación private
    • Una publicación de una cuenta cuyo nombre visible contenga "><script>alert(1)</script>
  2. Comprueba el HTML de cada URL.

    Ventana de terminal
    curl -sS -D - -H 'Accept: text/html' https://<host>/@alice/status/<post ID>
    • El estado es 200 y están las metaetiquetas de la tabla anterior. La publicación unlisted tiene noindex.

    • Una publicación private y un ID inexistente dan el mismo cuerpo 404 con X-Robots-Tag: noindex, noarchive (y también noai, noimageai cuando las configuraciones rechazan la IA).

      Ventana de terminal
      diff <(curl -sS https://<host>/@alice/status/<private post ID>) <(curl -sS https://<host>/@alice/status/0192f3a4-7b1c-7d2e-9f00-1a2b3c4d5e6f)
    • El <script> del nombre visible aparece escapado como &lt;script&gt;.

  1. Pega la URL de la publicación con imagen en la pantalla de redacción (o en un mensaje directo).
  2. Comprueba que la tarjeta de imagen grande (summary_large_image) muestra el título, el dominio y la imagen.
  3. Para la URL de la publicación sin imagen, comprueba que la tarjeta muestra la imagen de cabecera. Para una cuenta sin imagen de cabecera ni avatar, comprueba que la tarjeta grande muestra la imagen por defecto (preview_image, o la imagen incluida cuando no está definida).
  4. Para una cuenta con solo un avatar cuadrado, comprueba que la tarjeta es la de imagen pequeña (summary).

X guarda las tarjetas en caché. Para comprobar un cambio, pega la URL con una consulta (como ?v=2) para que cuente como una URL distinta.

  1. Desde una cuenta de otra instancia, haz una publicación que contenga la URL de la publicación con imagen.
  2. Comprueba que aparece una tarjeta de vista previa bajo la publicación con el título, la descripción y la imagen.
  3. Comprueba que la cuenta de prueba (fediverse:creator) aparece como «autor» bajo la tarjeta y que puedes ir a su perfil.

Mastodon guarda la tarjeta en caché en cada servidor que la obtuvo. Para generarla de nuevo, publica con una URL nueva (con una consulta).

  1. Pega la URL de la publicación con imagen en un canal.
  2. Comprueba que el contenido incrustado muestra el nombre del sitio (el nombre de la instancia), el título, la descripción y una imagen grande.
  3. Para una publicación de más de 200 caracteres, comprueba que la descripción termina con … y que ningún emoji queda cortado por la mitad.
  1. Pega la URL de la publicación con imagen en un canal.
  2. Comprueba que la vista previa desplegada muestra el nombre del sitio, el título, la descripción y la imagen.
  3. Comprueba que también aparece una vista previa para la URL de una publicación unlisted (noindex es para los motores de búsqueda y no impide las vistas previas).

Slack también guarda las vistas previas en caché. Para comprobar un cambio, añade una consulta a la URL.

  1. Envía en un chat la URL de la publicación con imagen.
  2. Comprueba que aparece una vista previa con el título, la descripción y la imagen.

LINE también guarda las vistas previas en caché. Para comprobar un cambio, añade una consulta a la URL.

En cada servicio, comprueba que la URL de una publicación private y la URL de una publicación inexistente dan la misma vista previa genérica (solo el nombre de la instancia, o nada) y que no aparece ningún cuerpo, nombre visible ni imagen.

Para mostrar una tarjeta de un enlace en una publicación, un trabajo de este servidor obtiene la página enlazada y su imagen, y respeta lo que el sitio enlazado indica al respecto. Sus peticiones son my-linkcard/<version> (+https://<host>/) para la página, la imagen y robots.txt. Todas las demás peticiones del servidor, incluidas las del proxy multimedia, siguen siendo my/<version> (+https://<host>/). Las peticiones no envían cookies ni Referer, y nada indica qué cuenta o publicación enlazó la página.

https://<host>/about/crawler informa a los operadores de los sitios enlazados de qué solicita el rastreador, qué envía, con qué frecuencia y cómo excluirse, y de que pueden pedirte que dejes de obtener contenido de su dominio. Cualquiera puede leerla sin una cuenta. La sección «Motores de búsqueda e IA» de la página de información de la instancia (/about) enlaza a ella; el User-Agent nombra solo https://<host>/.

Dice lo que hace este servidor, a partir de link_cards y link_cards_ignore_robots_txt, y muestra el contacto de la instancia (contact_account, contact_email). Define un contacto, para que un sitio tenga dónde preguntar: sin él, la página dice que este servidor no publica ninguno. Con link_cards_ignore_robots_txt activado, la página dice que un sitio no puede rechazar a este servidor en robots.txt.

El nombre en robots.txt es my-linkcard, en mayúsculas o minúsculas. Sin un grupo con ese nombre, se aplica el grupo *, como indica la RFC 9309. Se leen Allow, Disallow, * y $, gana la coincidencia más larga y Allow gana un empate; Crawl-delay y otros registros no se leen. robots.txt se lee hasta 512 KiB en 10 segundos, y se usa lo que se leyó de un archivo mayor. El servidor guarda solo las reglas de my-linkcard, por origen (esquema, host y puerto).

Respuesta para robots.txt Qué hace el servidor Se conserva durante
200 Respeta el archivo 24 horas
4xx distinto de 429 Sin archivo: obtiene la página 24 horas
429, 5xx, un fallo de red o una redirección que el servidor rechaza No obtiene nada del origen 1 hora
Más de 5 redirecciones Sin archivo: obtiene la página 24 horas
  • La URL de la página se comprueba antes de solicitarla, sea cual sea la visibilidad de la publicación. Lo mismo ocurre con cada URL a la que redirige, contra el robots.txt del origen de esa URL, y una redirección a una URL rechazada termina ahí: el servidor no la solicita y no crea tarjeta.
  • Una URL que robots.txt no permite no se vuelve a obtener durante 24 horas, como cualquier otro fallo de una página. Cuando el archivo solo no se pudo leer, el servidor vuelve a intentar la página una hora después, hasta el límite de intentos del trabajo.
  • Una imagen se comprueba de la misma manera contra su propio origen. Una imagen no permitida deja una tarjeta sin imagen. Cuando el archivo solo no se pudo leer, se mantiene una imagen registrada antes y una imagen nueva se omite hasta la siguiente nueva obtención.
  • Una nueva obtención, que una publicación puede provocar 14 días después de la última, elimina la tarjeta cuando robots.txt no permite su URL. Cuando el archivo solo no se pudo leer, la tarjeta se mantiene.
  • El servidor no recorre sus tarjetas para volver a comprobarlas, así que un sitio que cambia sus reglas pierde una tarjeta en la siguiente nueva obtención de esa tarjeta.

link_cards_ignore_robots_txt (configuración de la instancia) desactiva todo esto: el servidor ni obtiene ni usa robots.txt. Sigue identificándose como my-linkcard, y los sitios enlazados ya no pueden rechazar las obtenciones con robots.txt: solo quedan las directivas de sus páginas y una petición a ti de una regla sobre su dominio, como les indica la página para operadores de sitios.

El servidor también lee las directivas de la página que obtuvo: <meta name="robots"> y <meta name="my-linkcard"> en el <head>, y X-Robots-Tag sin nombre de bot o con my-linkcard:. Las directivas para otro bot no se aplican. Cuando hay varias, gana la más estricta. Se aplican sea cual sea el valor de link_cards_ignore_robots_txt.

Directiva Tarjeta
nosnippet, max-snippet:0 Sin descripción
noimageindex, max-image-preview:none Sin imagen, que no se obtiene
noindex, nofollow, noarchive, none y las demás Sin cambios

El título, el nombre del sitio y el autor se mantienen con cualquier directiva; un sitio que no los quiere rechaza la obtención en robots.txt. Las directivas solo se conocen una vez obtenida la página, así que no impiden la petición de la página. Una nueva obtención aplica las directivas que la página tenga entonces.

El rastreador es amable con cada host, sea cual sea el valor de link_cards_ignore_robots_txt. Un host es el nombre de la URL, sin el puerto, de modo que un sitio enlazado y el host de sus imágenes tienen límites separados.

  • Hace una obtención a la vez de un host, y la siguiente empieza al menos 1 segundo después de que terminara la anterior. Una obtención es una petición con sus redirecciones y, cuando hay que leerlo, el robots.txt que necesita. Una página y su imagen son dos obtenciones, también en un mismo host.
  • Un 429 o un 503 detiene las obtenciones del host que respondió, también cuando respondió a una redirección, a una imagen o a robots.txt. Se detienen durante su Retry-After, en segundos o como fecha, durante al menos 1 segundo y como máximo 1 hora. Un Retry-After ausente o ilegible equivale a 1 minuto.
  • Un trabajo que tiene que esperar su turno vuelve más tarde. Ningún worker espera, y no consume ninguno de los intentos del trabajo, de modo que incluso una ráfaga de enlaces a un mismo sitio termina con todas las tarjetas y sin ningún trabajo fallido. Los trabajos de un mismo host se reactivan a razón de uno por segundo, aproximadamente.
  • Una URL cuyo host detuvo al rastreador conserva su tarjeta, no se recuerda como fallida y se obtiene cuando termina la pausa. Tras 5 respuestas así para una URL en 24 horas, la página cuenta como fallida igual que cualquier otra que no sea un 200, y una imagen se omite de la tarjeta.
  • Una tarjeta que espera su imagen conserva durante hasta 2 horas lo que leyó de la página, para no volver a solicitarla.
  • Las reglas sobre un dominio y las acciones sobre dominios van primero: nada espera a un host del que no se obtiene nada.

Los límites viven en el almacén clave-valor y todos caducan: un worker que se detiene en mitad de una obtención libera su host en 2 minutos. Estas cifras no son configuraciones. Para ver los límites en funcionamiento:

  • my.link_card.host_pauses cuenta las pausas por el estado con que respondió el host, y cada pausa registra link card host paused en INFO con host, status y pause_seconds.
  • my.job.duration con my.job.type="content.fetch_link_card" y my.outcome="postponed" cuenta las ejecuciones que volvieron más tarde. Un número alto significa muchos enlaces a pocos sitios o una pausa larga, no un fallo.

Para LLM y agentes de programación:llms.txt,llms-full.txt, llms-small.txt

Analítica de este sitio