ماذا تحصل عليه زواحف الذكاء الاصطناعي فعلاً من موقعك؟ سكربت من 66 سطراً

تاريخ النشر

الإجابة المختصرة

اطلب صفحتك كمتصفح ثم كل زاحف ذكاء اصطناعي على حدة، وقارن النتائج. إذا ظهرت 403 أو 429 أو صفحة تحدٍّ للزاحف وحده، أو جاءت استجابة 200 أصغر بكثير من صفحة المتصفح، فهذا يعني أن جدار الحماية يرفضه حتى لو كان robots.txt يسمح به. سكربت Node من 66 سطراً ينفذ ذلك لسبعة زواحف ويقرأ robots.txt وفق قواعد RFC 9309.

يخبر robots.txt الزاحف بما يُسمح له بجلبه، لكنه لا يقول شيئاً عمّا يرسله جدار الحماية أو الـ CDN فعلاً. يقدم هذا المقال سكربتاً قصيراً يعرض الأمرين جنباً إلى جنب، لترى أين يختلفان.

في هذه الصفحة
  1. لماذا لا يخبرك robots.txt بما يحصل عليه الزاحف؟
  2. السكربت
  3. كيف أشغّله؟
  4. كيف تبدو النتيجة؟
  5. كيف أقرأ الجدول؟
  6. ما الذي لا يستطيع السكربت إخبارك به؟
  7. ماذا نرى في مواقع حقيقية؟

لماذا لا يخبرك robots.txt بما يحصل عليه الزاحف؟

robots.txt مجرد طلب. أما جدار الحماية أو الـ CDN أو قاعدة حماية البوتات فهي التي تقرر ما يُرسَل فعلاً، وقد ترد على OAI-SearchBot أو PerplexityBot برمز 403 أو 429 أو بصفحة "Just a moment..." بينما تبدو زياراتك من المتصفح طبيعية تماماً.

الفحص هو طلب الرابط نفسه كمتصفح وكزاحف، ثم المقارنة. إذا ظهرت 403 أو 429 أو 503 للزاحف وحده، أو صفحة عنوانها Just a moment...، أو استجابة 200 أصغر بكثير من استجابة المتصفح، فكلها تشير إلى جدار الحماية.

السكربت

احفظه باسم ai-crawler-view.mjs. يحتاج إلى Node 18 أو أحدث ولا يتطلب أي حزم. يقرأ robots.txt مرة واحدة، ثم يجلب صفحتك كمتصفح، ثم كسبعة زواحف ذكاء اصطناعي: OAI-SearchBot وChatGPT-User وGPTBot وClaude-SearchBot وClaudeBot وPerplexityBot وPerplexity-User.

#!/usr/bin/env node
// ai-crawler-view: what do AI crawlers get from YOUR site, compared with a browser?
// Usage: node ai-crawler-view.mjs https://your-site.com/page [--expect "a sentence from your page"]
// Node 18+, no dependencies. Run it against sites you own: it sends requests with crawler user agents.
const BROWSER = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36";
const BOTS = [ // [robots.txt token, user agent]; Anthropic prints no full strings, so Claude gets a token-based one
  ["OAI-SearchBot", "Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko); compatible; OAI-SearchBot/1.0; +https://openai.com/searchbot"],
  ["ChatGPT-User", "Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko); compatible; ChatGPT-User/1.0; +https://openai.com/bot"],
  ["GPTBot", "Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko); compatible; GPTBot/1.1; +https://openai.com/gptbot"],
  ["Claude-SearchBot", "Mozilla/5.0 (compatible; Claude-SearchBot/1.0)"],
  ["ClaudeBot", "Mozilla/5.0 (compatible; ClaudeBot/1.0)"],
  ["PerplexityBot", "Mozilla/5.0 (compatible; PerplexityBot/1.0; +https://perplexity.ai/perplexitybot)"],
  ["Perplexity-User", "Mozilla/5.0 (compatible; Perplexity-User/1.0; +https://perplexity.ai/perplexity-user)"],
];
const BLOCK = new Set([401, 403, 406, 429, 451, 503, 999]);
const CHALLENGE = /Just a moment\.\.\.|Attention Required! \| Cloudflare|\/cdn-cgi\/challenge-platform|_Incapsula_Resource|Access Denied/i;

const [url, ...rest] = process.argv.slice(2);
const expect = rest.includes("--expect") ? rest[rest.indexOf("--expect") + 1] : "";
if (!url) { console.error("usage: node ai-crawler-view.mjs https://site/page [--expect \"text\"]"); process.exit(2); }

async function get(u, ua) {
  try {
    const r = await fetch(u, { headers: { "user-agent": ua }, redirect: "follow", signal: AbortSignal.timeout(15000) });
    return { status: r.status, body: (await r.text()).slice(0, 500000) };
  } catch (e) { return { status: 0, body: "", error: e.cause?.code || e.name }; }
}

// robots.txt, RFC 9309 in short: the group naming the token wins, else "*"; longest match wins; Allow wins a tie.
function robotsVerdict(txt, token, path) {
  const groups = []; let cur = null;
  for (const raw of txt.split(/\r?\n/)) {
    const m = raw.replace(/#.*/, "").match(/^\s*([A-Za-z-]+)\s*:\s*(.*?)\s*$/); if (!m) continue;
    const [k, v] = [m[1].toLowerCase(), m[2]];
    if (k === "user-agent") { if (!cur || cur.rules.length) groups.push(cur = { agents: [], rules: [] }); cur.agents.push(v.toLowerCase()); }
    else if (cur && (k === "allow" || k === "disallow") && v) cur.rules.push([k, v]);
  }
  const g = groups.find(x => x.agents.includes(token.toLowerCase())) || groups.find(x => x.agents.includes("*"));
  if (!g) return "no rule";
  let best = null;
  for (const [k, p] of g.rules) {
    const re = new RegExp("^" + p.replace(/[.+?^${}()|[\]\\]/g, "\\$&").replace(/\*/g, ".*").replace(/\\\$$/, "$"));
    if (re.test(path) && (!best || p.length > best[1].length || (p.length === best[1].length && k === "allow"))) best = [k, p];
  }
  return best ? `${best[0]}: ${best[1]}` : "no rule";
}

const target = new URL(url);
const robots = await get(new URL("/robots.txt", target).href, BROWSER);
const robotsOk = robots.status >= 200 && robots.status < 300 && !/<html/i.test(robots.body);
const control = await get(url, BROWSER);
const cLen = control.body.length;
console.log(`control (browser): HTTP ${control.status}, ${cLen} bytes${expect ? `, expected text ${control.body.includes(expect) ? "found" : "MISSING"}` : ""}`);
if (control.status === 0 || BLOCK.has(control.status)) console.log("  the browser request itself failed or was refused: results below are not meaningful");
console.log(`robots.txt: ${robots.status >= 500 ? "server error (RFC 9309: crawlers must assume everything is disallowed)" : robotsOk ? "read" : "none or not valid"}\n`);
console.log("crawler           robots.txt          HTTP  bytes   verdict");
for (const [token, ua] of BOTS) {
  const r = await get(url, ua);
  const rule = robotsOk ? robotsVerdict(robots.body, token, target.pathname + target.search) : "no rule";
  const challenge = CHALLENGE.test(r.body.slice(0, 20000)) && r.body.length < 20000;
  const verdict = BLOCK.has(r.status) || challenge ? "BLOCKED by the server"
    : r.status >= 400 || r.status === 0 ? `error ${r.status || r.error}`
    : r.body.length < cLen * 0.5 ? "THIN: much smaller than the browser's page"
    : expect && !r.body.includes(expect) ? "text MISSING from the HTML" : "ok";
  console.log(`${token.padEnd(17)} ${rule.padEnd(19)} ${String(r.status).padEnd(5)} ${String(r.body.length).padEnd(7)} ${verdict}${rule.startsWith("disallow") ? "  (robots.txt asks it to stay away)" : ""}`);
}

لا تنشر Anthropic سلاسل user agent كاملة، لذا يستخدم سطرا Claude اسم الزاحف فقط. وجدار الحماية الذي يطابق الاسم سيتصرف بالطريقة نفسها.

كيف أشغّله؟

شغّله على صفحة من موقعك. يتحقق الخيار الاختياري --expect من وجود جملة من محتواك الرئيسي في HTML الخام الذي يستلمه كل زاحف. إذا لم تكن موجودة، فهذا يعني أن سكربتات تضيف النص بعد التحميل، وكثير من الزواحف لن تراه.

node ai-crawler-view.mjs https://your-site.com/pricing/ --expect "a sentence from your page"

شغّله فقط على مواقع تملكها أو مسموح لك باختبارها. يرسل تسعة طلبات: robots.txt والمتصفح وطلباً لكل زاحف.

كيف تبدو النتيجة؟

هذه نتيجة التشغيل على خادم اختبار محلي عدائي عمداً: يفرض تحدياً على OAI-SearchBot، ويحدّ معدل ClaudeBot، ويقدم لـ PerplexityBot صفحة فارغة، ويمنع GPTBot في robots.txt:

control (browser): HTTP 200, 2618 bytes, expected text found
robots.txt: read

crawler           robots.txt          HTTP  bytes   verdict
OAI-SearchBot     allow: /            403   31      BLOCKED by the server
ChatGPT-User      allow: /            200   2618    ok
GPTBot            disallow: /         200   2618    ok  (robots.txt asks it to stay away)
Claude-SearchBot  allow: /            200   2618    ok
ClaudeBot         allow: /            429   9       BLOCKED by the server
PerplexityBot     allow: /            200   36      THIN: much smaller than the browser's page
Perplexity-User   allow: /            200   2618    ok

على aiseewhy.com يحصل كل زاحف على الصفحة كاملة، بالحالة والحجم نفسيهما كالمتصفح.

كيف أقرأ الجدول؟

ما الذي لا يستطيع السكربت إخبارك به؟

ماذا نرى في مواقع حقيقية؟

تجري AISeeWhy هذا النوع من الفحص على 14 زاحفاً. من بين 165 موقعاً تجارياً في الولايات المتحدة والمملكة المتحدة وفرنسا استطعنا اختبارها، رفض 38% (63 موقعاً) زاحف ذكاء اصطناعي واحداً على الأقل على مستوى الخادم بينما حصل متصفح من العنوان نفسه على الصفحة. كل واحد من هذه المواقع رفض بوت تدريب أو جمع بيانات واحداً على الأقل، ورفض 10% (16 موقعاً) أيضاً زاحف بحث ذكاء اصطناعي واحداً على الأقل، مثل PerplexityBot (11 موقعاً) أو OAI-SearchBot (5).

المواقع ليست عينة عشوائية، وتعذّر اختبار 53 موقعاً إضافياً لأن حتى طلب متصفح عادي رُفض أو لم يُجَب. اعتبره نمطاً يستحق الفحص على موقعك، لا إحصاءً شاملاً.

أدوات مجانية

الخطوات التالية

الزواحف في هذا المقال

الأسئلة الشائعة

هل من الآمن تشغيله على أي موقع؟

شغّله فقط على مواقع تملكها أو مسموح لك باختبارها. يرسل طلبات بـ user agents لزواحف، وبعض أنظمة الحماية من البوتات تعدّها عدائية.

لماذا يظهر GPTBot بحالة ok رغم أن robots.txt يمنعه؟

robots.txt طلب وليس قفلاً. يجيب الخادم كل من يتجاهله، لذلك يعرض عمود HTTP حالة ok. القاعدة المجاورة توضح ما يلتزم به الزاحف المنضبط.

هل ينفذ السكربت JavaScript؟

لا، عمداً. فهو يعرض HTML الذي يستلمه زاحف لا يعرض الصفحات. ويخبرك الخيار --expect ما إذا كان نصك الرئيسي موجوداً بالفعل في ذلك HTML.

هل تعني النتيجة السليمة أن ChatGPT سيستشهد بصفحتي؟

لا. الوصول ضروري لكنه غير كافٍ. لمعرفة ما إذا كان مساعد ما يذكر موقعك، اطرح عليه الأسئلة التي يطرحها عملاؤك ولاحظ المواقع التي يستشهد بها.

المصادر

مقالات أخرى