Анализ сайта scott89.github.io
Основное Готовность: 45%
Домен
scott89.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.
Безопасность
Сайт небезопасен
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.
На сайте не найден защищенный протокол ssl и сайт не открывается по https!
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en-US
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 документа указан явно: en-US.
Скорость загрузки
~0,21сек
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 0,21сек оптимальна.
Объем документа
22Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 22Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 2
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 2 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | https://fonts.googleapis.com/css?family=Open+Sans:400,700 |
| stylesheet | /assets/css/style.css?v=f4de5cc198ae56fc4d1c578b621bad2cf9328fa0 |
Серверные заголовки
Кол-во: 18
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 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Connection | keep-alive |
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "59af999a-5afc" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| X-GitHub-Request-Id | AC7E:2840:1A7064:1C81A2:6A89767F |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 10:14:23 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270075-BMA |
| X-Cache | MISS |
| X-Cache-Hits | 0 |
| X-Timer | S1787393664.559435,VS0,VE116 |
| Vary | Accept-Encoding |
| X-Fastly-Request-ID | f959b60ff644da88c53f090099057132944a7890 |
CMS
Не определена
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.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
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: 33%
Title
Reading List | Lijun Wang’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: 36, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
You gonna hear me roar!
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.
Необходимо увеличить число символов в description (текущее значение мало: 23, минимум: 80, оптимально: от 120 до 130)
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
http://scott89.github.io/
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.
Пропишите корректный 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
width=device-width, initial-scale=1
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 со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 5
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 задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:title | Reading List |
| og:locale | en_US |
| og:description | You gonna hear me roar! |
| og:url | http://scott89.github.io/ |
| og:site_name | Lijun Wang’s Homepage |
Все мета-теги
Кол-во: 9
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 9шт. 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 | description | You gonna hear me roar! |
| name | description | You gonna hear me roar! |
| name | viewport | width=device-width, initial-scale=1 |
| name | theme-color | #157878 |
| property | og:title | Reading List |
| property | og:locale | en_US |
| property | og:description | You gonna hear me roar! |
| property | og:url | http://scott89.github.io/ |
| property | og:site_name | Lijun Wang’s Homepage |
Оптимизация Готовность: 87%
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 одном 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.
Среднее число слов в абзаце 1 слишком мало. Сделайте контент более читаемым!
Слова из title 4 встречаются в тексте достаточно.
Абзацев с текстом 19 достаточно.
Кол-во знаков контента 7494 на странице оптимально.
Кол-во слов 963 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 <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 1. Это хорошо.
На странице присутствуют заголовки <h3> 1.
Тошнота
7,14
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 3. Измените текст страницы!
Академич. тошнота
7,58%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
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 | 51 | 5,30% |
| neural | 27 | 2,80% |
| networks | 26 | 2,70% |
| recurrent | 15 | 1,56% |
| tracking | 15 | 1,56% |
| reinforcement | 12 | 1,25% |
| machine | 11 | 1,14% |
| course | 10 | 1,04% |
| network | 9 | 0,93% |
| convolutional | 8 | 0,83% |
| variational | 7 | 0,73% |
| writing | 7 | 0,73% |
| understanding | 5 | 0,52% |
| sequence | 5 | 0,52% |
| models | 5 | 0,52% |
| visual | 5 | 0,52% |
| object | 5 | 0,52% |
| mathematical | 5 | 0,52% |
| temporal | 4 | 0,42% |
| online | 4 | 0,42% |
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 163 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
Кол-во: 1
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 1 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /learngit/ |
LearnGit
|
|
Анализировать url |
Внешние ссылки
Кол-во: 162
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 162 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| github.com |
Download .zip
|
Анализировать url |
| github.com |
Download .tar.gz
|
Анализировать url |
| arxiv.org |
QUALITATIVELY CHARACTERIZING NEURAL NETWORK OPTIMIZATION PROBLEMS
|
Анализировать url |
| arxiv.org |
EXPLAINING AND HARNESSING ADVERSARIAL EXAMPLES
|
Анализировать url |
| arxiv.org |
Intriguing properties of neural networks
|
Анализировать url |
| deeplearning.cs.cmu.edu |
Multilayer feedforward networks are universal approximators
|
Анализировать url |
| arxiv.org |
Unsupervised Learning on Neural Network Outputs
|
Анализировать url |
| fr.arxiv.org |
Inverting Convolutional Networks with Convolutional Networks
|
Анализировать url |
| cs.nyu.edu |
Visualizing and understanding convolutional networks
|
Анализировать url |
| fr.arxiv.org |
Understanding Deep Image Representations by Inverting Them
|
Анализировать url |
| fr.arxiv.org |
Visualizing and Understanding Recurrent Networks
|
Анализировать url |
| arxiv.org |
A Critical Review of Recurrent Neural Networks for Sequence Learning
|
Анализировать url |
| fr.arxiv.org |
Maxout networks
|
Анализировать url |
| cs.toronto.edu |
Supervised Sequence Labelling with Recurrent Neural Networks
|
Анализировать url |
| fr.arxiv.org |
Stacked What-Where Auto-encoders
|
Анализировать url |
| fr.arxiv.org |
A Recurrent Latent Variable Model for Sequential Data
|
Анализировать url |
| fr.arxiv.org |
Distilling the Knowledge in a Neural Network
|
Анализировать url |
| wp.mse.sogou.com |
Geoff Hinton – Recent Developments in Deep Learning
|
Анализировать url |
| fr.arxiv.org |
Learning to Generate Chairs with Convolutional Neural Networks
|
Анализировать url |
| arxiv.org |
Constrained Convolutional Neural Networks for Weakly Supervised Segmentation
|
Анализировать url |
| arxiv.org |
DRAW: A Recurrent Neural Network For Image Generation
|
Анализировать url |
| arxiv.org |
The Long-Short Story of Movie Description
|
Анализировать url |
| arxiv.org |
Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation
|
Анализировать url |
| fr.arxiv.org |
DeepStereo: Learning to Predict New Views from the World’s Imagery
|
Анализировать url |
| arxiv.org |
Learning to track for spatio-temporal action localization
|
Анализировать url |
| arxiv.org |
Beyond Temporal Pooling: Recurrence and Temporal Convolutions for Gesture Recognition in Video
|
Анализировать url |
| arxiv.org |
Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks
|
Анализировать url |
| arxiv.org |
P-CNN: Pose-based CNN Features for Action Recognition
|
Анализировать url |
| arxiv.org |
Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
|
Анализировать url |
| arxiv.org |
Unsupervised Learning of Video Representations using LSTMs
|
Анализировать url |
| jmlr.org |
An Empirical Exploration of Recurrent Network Architectures
|
Анализировать url |
| papers.nips.cc |
Sequence to Sequence Learning with Neural Networks
|
Анализировать url |
| papers.nips.cc |
Modeling Deep Temporal Dependencies with Recurrent “Grammar Cells”
|
Анализировать url |
| arxiv.org |
Describing Multimedia Content using Attention-based Encoder–Decoder Networks
|
Анализировать url |
| bzarg.com |
How a Kalman filter works, in pictures
|
Анализировать url |
| arxiv.org |
Online Representation Learning in Recurrent Neural Language Models
|
Анализировать url |
| jmlr.org |
Gated Feedback Recurrent Neural Networks
|
Анализировать url |
| arxiv.org |
Recurrent Network Models for Kinematic Tracking
|
Анализировать url |
| arxiv.org |
A Recurrent Latent Variable Model for Sequential Data
|
Анализировать url |
| arxiv.org |
Generative Image Modeling Using Spatial LSTMs
|
Анализировать url |
| arxiv.org |
GMM: Generating Sequences With Recurrent Neural Networks
|
Анализировать url |
| cs.cornell.edu |
[RNN code] opinion mining with deep recurrent nets
|
Анализировать url |
| wildml.com |
RNNs in Tensorflow, a Practical Guide and Undocumented Features
|
Анализировать url |
| cs.princeton.edu |
Variational Inference
|
Анализировать url |
| people.ee.duke.edu |
Tutorial on Variational Autoencoders
|
Анализировать url |
| arxiv.org |
Auto-Encoding Variational Bayes
|
Анализировать url |
| arxiv.org |
Variational Inference: A Review for Statisticians
|
Анализировать url |
| vdumoulin.github.io |
Morphing Faces
|
Анализировать url |
| reddit.com |
reddit on VA
|
Анализировать url |
| jmetzen.github.io |
Variational Autoencoder in TensorFlow
|
Анализировать url |
| blog.evjang.com |
A Beginner’s Guide to Variational Methods: Mean-Field Approximation
|
Анализировать url |
| cv-foundation.org |
Reliable Patch Trackers: Robust Visual Tracking by Exploiting Reliable Patches
|
Анализировать url |
| cv-foundation.org |
Clustering of Static-Adaptive Correspondences for Deformable Object Tracking
|
Анализировать url |
| cv-foundation.org |
Real-time part-based visual tracking via adaptive correlation filters
|
Анализировать url |
| cv-foundation.org |
Single target tracking using adaptive clustered decision trees and dynamic multi-level appearance models
|
Анализировать url |
| cv-foundation.org |
Multihypothesis Trajectory Analysis for Robust Visual Tracking
|
Анализировать url |
| cv-foundation.org |
Long-term Correlation Tracking
|
Анализировать url |
| ieeexplore.ieee.org |
Object Tracking Benchmark
|
Анализировать url |
| yuxng.github.io |
Online Object Tracking with Proposal Selection
|
Анализировать url |
| cs-people.bu.edu |
MEEM: Robust Tracking via Multiple Experts using Entropy Minimization
|
Анализировать url |
| statweb.stanford.edu |
Importance Sampled Learning Ensembles
|
Анализировать url |
| winsty.net |
Ensemble-Based Tracking: Aggregating Crowdsourced Structured Time Series Data
|
Анализировать url |
| ieeexplore.ieee.org |
AN ENSEMBLE OF DEEP NEURAL NETWORKS FOR OBJECT TRACKING
|
Анализировать url |
| karpathy.github.io |
Andrej Karpathy’s blog: Deep Reinforcement Learning: Pong from Pixels
|
Анализировать url |
| www0.cs.ucl.ac.uk |
David Silver’s course at UCL
|
Анализировать url |
| web.stanford.edu |
Benjamin Van Roy’s course at Standord
|
Анализировать url |
| rll.berkeley.edu |
Sergey Levine’s course at UC Berkeley
|
Анализировать url |
| rll.berkeley.edu |
Deep Reinforcement Learning Course
|
Анализировать url |
| people.inf.elte.hu |
Reinforcement Learning: An Introduction
|
Анализировать url |
| computervisiontalks.com |
Reinforcement Learning Course
|
Анализировать url |
| cs.toronto.edu |
Playing Atari with Deep Reinforcement Learning
|
Анализировать url |
| nature.com |
Human-level control through deep reinforcement learning
|
Анализировать url |
| ieeexplore.ieee.org |
Reinforcement Learning for Robust and Efficient Real-World Tracking
|
Анализировать url |
| arxiv.org |
Action-Conditional Video Prediction using Deep Networks in Atari Games
|
Анализировать url |
| reinforcementlearning.ai-depot.com |
Reinforcement Learning Ware House
|
Анализировать url |
| ieeexplore.ieee.org |
Reinforcement Learning-Based Feature Learning for Object Tracking
|
Анализировать url |
| www0.cs.ucl.ac.uk |
Advanced Topics: RL
|
Анализировать url |
| yuxng.github.io |
Learning to Track: Online Multi-Object Tracking by Decision Making
|
Анализировать url |
| youtube.com |
Theano+DeepLearning
|
Анализировать url |
| torch.ch |
Applied Deep Learning for Computer Vision with Torch
|
Анализировать url |
| chainer.org |
Chainer, A Powerful, Flexible, and Intuitive Framework of Neural Networks
|
Анализировать url |
| nbviewer.ipython.org |
Inceptionism using IPython Notebook
|
Анализировать url |
| bitbucket.org |
Python Easy Neural Network Extruder
|
Анализировать url |
| github.com |
C++ codes for rnn
|
Анализировать url |
| kdnuggets.com |
Popular Deep Learning Tools – a review
|
Анализировать url |
| udibr.github.io |
Tips on working with Theano
|
Анализировать url |
| wiki.ubuntu.org.cn |
跟我一起写Makefile
|
Анализировать url |
| learningtensorflow.com |
Learning TensorFlow (non official)
|
Анализировать url |
| jmlr.org |
Learning Transferable Features with Deep Adaptation Networks
|
Анализировать url |
| arxiv.org |
Grid Long Short-Term Memory
|
Анализировать url |
| arxiv.org |
Understanding Intra-Class Knowledge Inside CNN
|
Анализировать url |
| arxiv.org |
Feature Representation In Convolutional Neural Networks
|
Анализировать url |
| arxiv.org |
Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks
|
Анализировать url |
| arxiv.org |
Distributional Smoothing by Virtual Adversarial Examples
|
Анализировать url |
| jmlr.org |
Show, Attend and Tell: Neural Image Caption Generation with Visual Attention
|
Анализировать url |
| graphific.github.io |
Building a Deep Learning (Dream) Machine
|
Анализировать url |
| people.maths.ox.ac.uk |
Course on CUDA Programming
|
Анализировать url |
| docs.nvidia.com |
CUDA Toolkit Documentation v7.0
|
Анализировать url |
| chrischoy.github.io |
Making a Caffe Layer
|
Анализировать url |
| nbviewer.ipython.org |
nbviewer
|
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
Сайт scott89.github.io не совсем готов к продвижению (процент готовности лишь 41%). Для попадания в ТОПы поисковых систем нужно:
Постарайтесь исправить общие ошибки.
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: