AI ক্রলার আসলে আপনার সাইট থেকে কী পায়? ৬৬ লাইনের একটি স্ক্রিপ্ট

প্রকাশিত

সংক্ষিপ্ত উত্তর

আপনার পেজটি একবার ব্রাউজার হিসেবে এবং প্রতিটি AI ক্রলার হিসেবে অনুরোধ করুন, তারপর তুলনা করুন। শুধু ক্রলারের জন্য 403, 429 বা চ্যালেঞ্জ পেজ আসা, কিংবা ব্রাউজারের পেজের চেয়ে অনেক ছোট একটি 200 রেসপন্স আসার অর্থ হলো robots.txt অনুমতি দিলেও ফায়ারওয়াল ক্রলারটিকে ফিরিয়ে দিচ্ছে। ৬৬ লাইনের একটি Node স্ক্রিপ্ট সাতটি ক্রলারের জন্য এটি করে এবং RFC 9309 নিয়ম অনুযায়ী robots.txt পড়ে।

robots.txt ক্রলারকে বলে সে কী আনতে পারবে। কিন্তু আপনার ফায়ারওয়াল বা CDN বাস্তবে কী ফেরত পাঠায়, সে সম্পর্কে এটি কিছুই বলে না। এই লেখায় একটি ছোট স্ক্রিপ্ট দেওয়া হয়েছে, যা দুটোই পাশাপাশি দেখায়, ফলে কোথায় দুটোর মধ্যে অমিল আছে তা বোঝা যায়।

এই পেজে
  1. robots.txt কেন ক্রলার কী পায় তা জানায় না?
  2. স্ক্রিপ্টটি
  3. কীভাবে চালাব?
  4. আউটপুট দেখতে কেমন?
  5. টেবিলটি কীভাবে পড়ব?
  6. স্ক্রিপ্টটি কী জানাতে পারে না?
  7. বাস্তব ওয়েবসাইটে আমরা কী দেখি?

robots.txt কেন ক্রলার কী পায় তা জানায় না?

robots.txt একটি অনুরোধ মাত্র। বাস্তবে কী ফেরত যাবে তা ঠিক করে ফায়ারওয়াল, CDN বা বট-সুরক্ষার নিয়ম। আপনার নিজের ব্রাউজারে সবকিছু ঠিক দেখালেও সেগুলো OAI-SearchBot বা PerplexityBot-কে 403, 429 বা "Just a moment..." পেজ দিতে পারে।

পরীক্ষার উপায় হলো একই URL ব্রাউজার হিসেবে এবং ক্রলার হিসেবে অনুরোধ করে তুলনা করা। শুধু ক্রলারের জন্য 403, 429 বা 503 আসা, Just a moment... শিরোনামের পেজ আসা, কিংবা ব্রাউজারের চেয়ে অনেক ছোট 200 রেসপন্স আসা, সবই ফায়ারওয়ালের দিকে ইঙ্গিত করে।

স্ক্রিপ্টটি

এটি ai-crawler-view.mjs নামে সেভ করুন। এর জন্য Node 18 বা নতুন সংস্করণ লাগবে, কোনো প্যাকেজ লাগবে না। এটি একবার robots.txt পড়ে, তারপর আপনার পেজ ব্রাউজার হিসেবে এবং সাতটি AI ক্রলার হিসেবে আনে: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot ও Perplexity-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)" : ""}`);
}

Anthropic সম্পূর্ণ user agent স্ট্রিং প্রকাশ করে না, তাই দুটি Claude লাইনে শুধু ক্রলার টোকেন ব্যবহার করা হয়েছে। যে ফায়ারওয়াল টোকেন দেখে মেলায়, সেটি একইভাবে সাড়া দেয়।

কীভাবে চালাব?

এটি আপনার নিজের সাইটের একটি পেজের বিরুদ্ধে চালান। ঐচ্ছিক --expect ফ্ল্যাগ যাচাই করে, আপনার মূল কনটেন্টের একটি বাক্য প্রতিটি ক্রলারের পাওয়া কাঁচা HTML-এ আছে কিনা। না থাকলে বোঝা যায় স্ক্রিপ্ট লোডের পরে লেখাটি যোগ করে, আর অনেক ক্রলার তা দেখতে পাবে না।

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

এটি শুধু আপনার নিজের বা পরীক্ষার অনুমতি আছে এমন সাইটে চালান। এটি নয়টি অনুরোধ পাঠায়: robots.txt, ব্রাউজার এবং প্রতিটি ক্রলারের জন্য একটি করে।

আউটপুট দেখতে কেমন?

এটি ইচ্ছাকৃতভাবে প্রতিকূল একটি লোকাল টেস্ট সার্ভারের ফলাফল। সার্ভারটি OAI-SearchBot-কে চ্যালেঞ্জ করে, ClaudeBot-এর রেট সীমিত করে, PerplexityBot-কে ফাঁকা খোলস দেয় এবং robots.txt-এ GPTBot-কে disallow করে:

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

aiseewhy.com-এ প্রতিটি ক্রলার ব্রাউজারের মতোই একই স্ট্যাটাস ও সাইজে সম্পূর্ণ পেজ পায়।

টেবিলটি কীভাবে পড়ব?

স্ক্রিপ্টটি কী জানাতে পারে না?

বাস্তব ওয়েবসাইটে আমরা কী দেখি?

AISeeWhy ১৪টি ক্রলারের জন্য এ ধরনের পরীক্ষা চালায়। যুক্তরাষ্ট্র, যুক্তরাজ্য ও ফ্রান্সের যে ১৬৫টি ব্যবসায়িক ওয়েবসাইট আমরা পরীক্ষা করতে পেরেছি, তার 38% (৬৩টি সাইট) সার্ভারেই অন্তত একটি AI ক্রলারকে ফিরিয়ে দিয়েছে, অথচ একই ঠিকানা থেকে ব্রাউজার পেজটি পেয়েছে। এই প্রতিটি সাইট অন্তত একটি ট্রেনিং বা স্ক্র্যাপার বটকে ফিরিয়েছে, এবং 10% (১৬টি সাইট) অন্তত একটি AI সার্চ ক্রলারকেও ফিরিয়েছে, যেমন PerplexityBot (১১টি সাইট) বা OAI-SearchBot (৫টি)।

সাইটগুলো এলোমেলো নমুনা নয়, আর আরও ৫৩টি সাইট পরীক্ষা করা যায়নি, কারণ সাধারণ ব্রাউজার অনুরোধও প্রত্যাখ্যাত হয়েছে বা উত্তর পায়নি। এটিকে আপনার নিজের সাইটে যাচাই করার মতো একটি প্যাটার্ন হিসেবে দেখুন, আদমশুমারি হিসেবে নয়।

ফ্রি টুল

পরবর্তী ধাপ

এই আর্টিকেলের ক্রলার

প্রশ্নোত্তর

যেকোনো সাইটে এটি চালানো কি নিরাপদ?

এটি শুধু আপনার নিজের বা পরীক্ষার অনুমতি আছে এমন সাইটে চালান। এটি ক্রলারের user agent দিয়ে অনুরোধ পাঠায়, যা কিছু বট-প্রতিরক্ষা শত্রুতামূলক বলে ধরে।

robots.txt disallow করলেও GPTBot-এ ok দেখায় কেন?

robots.txt একটি অনুরোধ, তালা নয়। যে এটি উপেক্ষা করে, সার্ভার তাকেও উত্তর দেয়, তাই HTTP কলামে ok দেখায়। পাশের নিয়মটি দেখায় একটি ভদ্র ক্রলার কী মেনে চলে।

স্ক্রিপ্টটি কি JavaScript চালায়?

না, ইচ্ছাকৃতভাবে নয়। পেজ রেন্ডার না করা ক্রলার যে HTML পায়, এটি সেটিই দেখায়। --expect ফ্ল্যাগ জানায় আপনার মূল লেখা সেই HTML-এ আগে থেকেই আছে কিনা।

পরিষ্কার ফলাফল মানে কি ChatGPT আমার পেজ উদ্ধৃত করবে?

না। প্রবেশাধিকার প্রয়োজনীয়, কিন্তু যথেষ্ট নয়। কোনো অ্যাসিস্ট্যান্ট আপনার সাইটের নাম করে কিনা দেখতে, আপনার ক্রেতারা যে প্রশ্ন করে তা তাকে করুন এবং লক্ষ করুন সে কোন সাইটগুলো উদ্ধৃত করে।

উৎস

আরও আর্টিকেল