Анализ сайта jungyhuk.github.io
Основное Готовность: 85%
Домен
jungyhuk.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://jungyhuk.github.io
301 MovedPermanently
https://jungyhuk.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 19.10.2026 17:17:31.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Кодировка на странице не определена. Укажите явно кодировку документа!
Язык
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~0,41сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,41сек оптимальна.
Объем документа
46Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 46Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 1
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| js | text/javascript | jquery.js |
Серверные заголовки
Кол-во: 17
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "692cfa0d-bbcc" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | FB06:174B6E:1B84F2:1DAAA0:6A8974BE |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 10:06:55 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270020-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787393216.500532,VS0,VE119 |
| Vary | Accept-Encoding |
| x-fastly-request-id | ee7c014a2a1db21cbc855f70e6631da6be49db4c |
CMS
MSHTML 9.00.8112.16443
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
В мета-теге generator указано: MSHTML 9.00.8112.16443.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 22%
Title
Xinyun Chen's Homepage
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 22, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 1
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 1шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | GENERATOR | MSHTML 9.00.8112.16443 |
Оптимизация Готовность: 40%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют в единственном экземпляре).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 275 достаточно.
Среднее число слов в абзаце 12 достаточно.
Кол-во знаков контента 23612 на странице оптимально.
Кол-во слов 3454 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h2> 7. Это хорошо.
Тошнота
8,19
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
3,45%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| learning | 67 | 1,94% |
| xinyun | 66 | 1,91% |
| language | 47 | 1,36% |
| conference | 35 | 1,01% |
| models | 35 | 1,01% |
| program | 33 | 0,96% |
| workshop | 30 | 0,87% |
| synthesis | 26 | 0,75% |
| international | 25 | 0,72% |
| machine | 24 | 0,69% |
| reasoning | 21 | 0,61% |
| neural | 21 | 0,61% |
| adversarial | 18 | 0,52% |
| co-organizer | 18 | 0,52% |
| neurips | 17 | 0,49% |
| representations | 15 | 0,43% |
| computer | 14 | 0,41% |
| systems | 14 | 0,41% |
| processing | 13 | 0,38% |
| university | 12 | 0,35% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 144 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Не найдено
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 0 оптимально.
Внешние ссылки
Кол-во: 130
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 130 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| scholar.google.com |
Google Scholar
|
Анализировать url |
| arxiv.org |
<strong>MATH-Perturb: Benchmarking LLMs' Math Reasoning Abilities against Hard Perturbations</strong>
|
Анализировать url |
| arxiv.org |
<strong>SETS: Leveraging Self-Verification and Self-Correction for Improved Test-Time Scaling</strong>
|
Анализировать url |
| arxiv.org |
<strong>Vulnerability detection with code language models: How far are we?</strong>
|
Анализировать url |
| arxiv.org |
<strong>Evolving Deeper LLM Thinking</strong>
|
Анализировать url |
| arxiv.org |
<strong>Premise Order Matters in Reasoning with Large Language Models</strong>
|
Анализировать url |
| arxiv.org |
<strong>A Human-Inspired Reading Agent with Gist Memory of Very Long Contexts</strong>
|
Анализировать url |
| arxiv.org |
<strong>Chain of Code: Reasoning with a Language Model-Augmented Code Emulator</strong>
|
Анализировать url |
| arxiv.org |
<strong>Teaching Large Language Models to Self-Debug</strong>
|
Анализировать url |
| arxiv.org |
<strong>Large Language Models as Optimizers</strong>
|
Анализировать url |
| arxiv.org |
<strong>Large Language Models Cannot Self-Correct Reasoning Yet</strong>
|
Анализировать url |
| arxiv.org |
<strong>Large Language Models as Analogical Reasoners</strong>
|
Анализировать url |
| arxiv.org |
<strong>Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models</strong>
|
Анализировать url |
| arxiv.org |
<strong>Large Language Models as Tool Makers</strong>
|
Анализировать url |
| arxiv.org |
<strong>Mixture-of-Experts Meets Instruction Tuning:A Winning Combination for Large Language Models</strong>
|
Анализировать url |
| arxiv.org |
<strong>Self-Discover: Large Language Models Self-Compose Reasoning Structures</strong>
|
Анализировать url |
| arxiv.org |
<strong>Scaling Instruction-Finetuned Language Models</strong>
|
Анализировать url |
| arxiv.org |
<strong>BioCoder: A Benchmark for Bioinformatics Code Generation with Contextual Pragmatic Knowledge</strong>
|
Анализировать url |
| arxiv.org |
<strong>NATURAL PLAN: Benchmarking LLMs on Natural Language Planning
</strong>
|
Анализировать url |
| arxiv.org |
<strong>On Memorization of Large Language Models in Logical Reasoning</strong>
|
Анализировать url |
| arxiv.org |
<strong>Transformers Can Achieve Length Generalization But Not Robustly</strong>
|
Анализировать url |
| arxiv.org |
<strong>Universal Self-Consistency for Large Language Model Generation</strong>
|
Анализировать url |
| arxiv.org |
<strong>Large Language Models can Learn Rules</strong>
|
Анализировать url |
| arxiv.org |
<strong>Large Language Models Can Be Easily Distracted by Irrelevant Context</strong>
|
Анализировать url |
| arxiv.org |
<strong>Compositional Semantic Parsing with Large Language Models</strong>
|
Анализировать url |
| arxiv.org |
<strong>Symbol tuning improves in-context learning in language models</strong>
|
Анализировать url |
| arxiv.org |
<strong>Larger Language Models Do In-Context Learning Differently</strong>
|
Анализировать url |
| arxiv.org |
<strong>Towards Defending Multiple Lp-norm Bounded Adversarial Perturbations via Gated Batch Normalization</strong>
|
Анализировать url |
| aclanthology.org |
<strong>Re-appraising the Schema Linking for Text-to-SQL</strong>
|
Анализировать url |
| arxiv.org |
<strong>DiverseVul: A New Vulnerable Source Code Dataset for Deep Learning Based Vulnerability Detection</strong>
|
Анализировать url |
| arxiv.org |
<strong>Competition-Level Code Generation with AlphaCode</strong>
|
Анализировать url |
| science.org |
Science Magazine
|
Анализировать url |
| deepmind.com |
DeepMind blog post
|
Анализировать url |
| escholarship.org |
<strong>Learning-Based Program Synthesis: Towards Synthesizing Complex Programs from Multi-Modal Specifications in the Wild</strong>
|
Анализировать url |
| arxiv.org |
<strong>Benchmarking Language Models for Code Syntax Understanding</strong>
|
Анализировать url |
| openreview.net |
<strong>Perturbation Type Categorization for Multiple Adversarial Perturbation Robustness</strong>
|
Анализировать url |
| arxiv.org |
<strong>Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses</strong>
|
Анализировать url |
| arxiv.org |
<strong>SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs</strong>
|
Анализировать url |
| arxiv.org |
<strong>Measuring and Improving Compositional Generalization in Text-to-SQL via Component Alignment</strong>
|
Анализировать url |
| arxiv.org |
<strong>Learning Bounded Context-Free Grammar via LSTM and the Transformer: Difference and Explanations
</strong>
|
Анализировать url |
| arxiv.org |
<strong>Latent Execution for Neural Program Synthesis
</strong>
|
Анализировать url |
| proceedings.mlr.press |
<strong>SpreadsheetCoder: Formula Prediction from Semi-structured Context
</strong>
|
Анализировать url |
| workspaceupdates.googleblog.com |
<strong>Google Sheets formula suggestions</strong>
|
Анализировать url |
| ai.googleblog.com |
Google AI blog
|
Анализировать url |
| proceedings.mlr.press |
<strong>LEGO: Latent Execution-Guided Reasoning for Multi-Hop Question Answering on Knowledge Graphs</strong>
|
Анализировать url |
| proceedings.mlr.press |
<strong>Learn-to-Share: A Hardware-friendly Transfer Learning Framework Exploiting Computation and Parameter Sharing</strong>
|
Анализировать url |
| aclanthology.org |
<strong>PlotCoder: Hierarchical Decoding for Synthesizing Visualization Code in Programmatic Context</strong>
|
Анализировать url |
| aclanthology.org |
<strong>Towards Robustness of Text-to-SQL Models against Synonym Substitution</strong>
|
Анализировать url |
| arxiv.org |
<strong>REFIT: a Unified Watermark Removal Framework for Deep Learning Systems with Limited Data</strong>
|
Анализировать url |
| arxiv.org |
<strong>Exploring Underexplored Limitations of Cross-Domain Text-to-SQL Generalization</strong>
|
Анализировать url |
| arxiv.org |
<strong>Natural SQL: Making SQL Easier to Infer from Natural Language Specifications</strong>
|
Анализировать url |
| arxiv.org |
<strong>Understanding Robustness in Teacher-Student Setting: A New Perspective</strong>
|
Анализировать url |
| arxiv.org |
<strong>RobustART: Benchmarking Robustness on Architecture Design and Training Techniques
</strong>
|
Анализировать url |
| arxiv.org |
<strong>Compositional Generalization via Neural-Symbolic Stack Machines</strong>
|
Анализировать url |
| arxiv.org |
<strong>Synthesize, Execute and Debug: Learning to Repair for Neural Program Synthesis</strong>
|
Анализировать url |
| arxiv.org |
<strong>Spatiotemporal Attacks for Embodied Agents</strong>
|
Анализировать url |
| openreview.net |
<strong>Neural Symbolic Reader: Scalable Integration of Distributed and Symbolic Representations for Reading Comprehension</strong>
|
Анализировать url |
| openreview.net |
<strong>Deep Symbolic Superoptimization Without Human Knowledge</strong>
|
Анализировать url |
| arxiv.org |
<strong>Learning to Perform Local Rewriting for Combinatorial Optimization
</strong>
|
Анализировать url |
| arxiv.org |
<strong>Coda: An End-to-End Neural Program Decompiler</strong>
|
Анализировать url |
| openreview.net |
<strong>Execution-Guided Neural Program Synthesis</strong>
|
Анализировать url |
| arxiv.org |
<strong>Tree-to-tree Neural Networks for Program Translation</strong>
|
Анализировать url |
| arxiv.org |
<strong>Fooling Vision and Language Models Despite Localization and Attention Mechanism</strong>
|
Анализировать url |
| arxiv.org |
<strong>Towards Synthesizing Complex Programs from Input-Output Examples</strong>
|
Анализировать url |
| arxiv.org |
<strong>Targeted Backdoor Attacks on Deep Learning Systems Using Data Poisoning</strong>
|
Анализировать url |
| motherboard.vice.com |
Motherboard
|
Анализировать url |
| theregister.co.uk |
The Register
|
Анализировать url |
| arxiv.org |
<strong>Adversarial Example Defenses: Ensembles of Weak Defenses are not Strong</strong>
|
Анализировать url |
| arxiv.org |
<strong>Delving into Transferable Adversarial Examples and Black-box Attacks</strong>
|
Анализировать url |
| arxiv.org |
<strong>A General Retraining Framework for Scalable Adversarial Classification</strong>
|
Анализировать url |
| arxiv.org |
<strong>Latent Attention For If-Then Program Synthesis</strong>
|
Анализировать url |
| ml.umd.edu |
Rising Stars in Machine Learning
|
Анализировать url |
| risingstars21-eecs.mit.edu |
Rising Stars in EECS
|
Анализировать url |
| research.fb.com |
Facebook Fellowship
|
|
| research.fb.com |
blog spotlight
|
|
| eecs.berkeley.edu |
Rising Stars in EECS
|
Анализировать url |
| people.eecs.berkeley.edu |
Dawn Song
|
Анализировать url |
| fm-wild-community.github.io |
ICLR Workshop on Foundation Models in the Wild
|
Анализировать url |
| nips.cc |
NeurIPS Tutorial on Generating Programmatic Solutions: Algorithms and Applications of Programmatic Reinforcement Learning and Code Generation
|
Анализировать url |
| islad.org |
The First IEEE International Workshop on LLM-Aided Design (LAD'24)
|
Анализировать url |
| upperbound.ai |
Upper Bound 2024
|
Анализировать url |
| cmu-agent-workshop.github.io |
CMU Agent Workshop
|
Анализировать url |
| sslneurips23.github.io |
NeurIPS Workshop on Self-Supervised Learning - Theory and Practice
|
Анализировать url |
| mathai2023.github.io |
NeurIPS Workshop on Mathematical Reasoning and AI
|
Анализировать url |
| sites.google.com |
NeurIPS Workshop on Foundation Models for Decision Making
|
Анализировать url |
| aicamp.ai |
AICamp Seminar
|
Анализировать url |
| dataphoenix.info |
Data Phoenix webinar
|
Анализировать url |
| rdi.berkeley.edu |
CS294/194-196: Responsible GenAI and Decentralized Intelligence
|
Анализировать url |
| ai4code.notion.site |
LLMs for Code Seminar
|
Анализировать url |
| research.csiro.au |
SAO seminar
|
Анализировать url |
| ai-west-dl.re-work.co |
REWORK Deep Learning Summit
|
Анализировать url |
| table-representation-learning.github.io |
NeurIPS Workshop on Table Representation Learning
|
Анализировать url |
| cs.umd.edu |
CMSC 828W: Foundations of Deep Learning
|
Анализировать url |
| cs.cmu.edu |
Language Technologies Institute Topical Seminar
|
Анализировать url |
| dl4c.github.io |
ICLR Workshop on Deep Learning For Code
|
Анализировать url |
| inst.eecs.berkeley.edu |
CS188: Introduction to Artificial Intelligence
|
Анализировать url |
| ml.umd.edu |
ML Rising Stars Series
|
Анализировать url |
| neurosymbolic.org |
Neurosym Webinar Series
|
Анализировать url |
| advmlincv.github.io |
CVPR Tutorial on Adversarial Machine Learning in Computer Vision
|
Анализировать url |
| mrc2021.github.io |
WSDM Workshop on Machine Reasoning
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Оптимизация сайта jungyhuk.github.io выполнена всего на 37%. Чтобы исправить ситуацию и попасть в ТОП необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: