AI क्रॉलर को आपकी साइट से असल में क्या मिलता है? 66 लाइन की स्क्रिप्ट

प्रकाशित

संक्षिप्त उत्तर

अपना पेज पहले ब्राउज़र की तरह और फिर हर AI क्रॉलर की तरह माँगें, और नतीजों की तुलना करें। अगर सिर्फ़ क्रॉलर को 403, 429 या चैलेंज पेज मिले, या 200 जवाब ब्राउज़र वाले पेज से काफ़ी छोटा हो, तो इसका मतलब है कि robots.txt अनुमति देता है, फिर भी फ़ायरवॉल उसे रोक रहा है। 66 लाइन की Node स्क्रिप्ट सात क्रॉलर के लिए यह जाँच करती है और robots.txt को RFC 9309 के नियमों से पढ़ती है।

robots.txt क्रॉलर को बताता है कि वह क्या ले सकता है। पर आपका फ़ायरवॉल या CDN असल में क्या लौटाता है, इस बारे में वह कुछ नहीं कहता। इस पोस्ट में एक छोटी स्क्रिप्ट है जो दोनों को साथ-साथ दिखाती है, ताकि आप देख सकें कि दोनों कहाँ अलग-अलग बात कहते हैं।

इस पेज पर
  1. robots.txt से यह क्यों पता नहीं चलता कि क्रॉलर को क्या मिलता है?
  2. स्क्रिप्ट
  3. इसे कैसे चलाएँ?
  4. आउटपुट कैसा दिखता है?
  5. तालिका कैसे पढ़ें?
  6. स्क्रिप्ट क्या नहीं बता सकती?
  7. असली वेबसाइटों पर हम क्या देखते हैं?

robots.txt से यह क्यों पता नहीं चलता कि क्रॉलर को क्या मिलता है?

robots.txt एक अनुरोध भर है। असल में क्या लौटेगा, यह फ़ायरवॉल, CDN या बॉट-सुरक्षा का कोई नियम तय करता है। वह OAI-SearchBot या PerplexityBot को 403, 429 या "Just a moment..." वाला पेज दे सकता है, जबकि आपके अपने ब्राउज़र से देखने पर सब कुछ ठीक लगता है।

जाँच का तरीका यह है कि वही URL ब्राउज़र की तरह और क्रॉलर की तरह माँगें, फिर तुलना करें। सिर्फ़ क्रॉलर को 403, 429 या 503 मिलना, Just a moment... शीर्षक वाला पेज मिलना, या ब्राउज़र के जवाब से काफ़ी छोटा 200 जवाब मिलना, ये सब फ़ायरवॉल की ओर इशारा करते हैं।

स्क्रिप्ट

इसे ai-crawler-view.mjs नाम से सेव करें। इसके लिए Node 18 या नया संस्करण चाहिए, और कोई पैकेज नहीं चाहिए। यह robots.txt एक बार पढ़ती है, आपका पेज ब्राउज़र की तरह खोलती है, फिर सात AI क्रॉलर की तरह: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot और 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 पूरी user agent स्ट्रिंग प्रकाशित नहीं करता, इसलिए Claude वाली दो लाइनों में सिर्फ़ क्रॉलर का टोकन इस्तेमाल हुआ है। जो फ़ायरवॉल टोकन से मिलान करता है, वह उसी तरह प्रतिक्रिया देता है।

इसे कैसे चलाएँ?

इसे अपनी साइट के किसी पेज पर चलाएँ। वैकल्पिक --expect फ़्लैग जाँचता है कि आपकी मुख्य सामग्री का कोई वाक्य हर क्रॉलर को मिलने वाले कच्चे HTML में मौजूद है या नहीं। अगर वह नहीं है, तो स्क्रिप्टें लोड होने के बाद टेक्स्ट जोड़ती हैं, और कई क्रॉलर उसे नहीं देख पाएँगे।

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

इसे सिर्फ़ उन साइटों पर चलाएँ जो आपकी हैं या जिन्हें जाँचने की आपको अनुमति है। यह नौ अनुरोध भेजती है: robots.txt, ब्राउज़र, और हर क्रॉलर के लिए एक।

आउटपुट कैसा दिखता है?

यह जान-बूझकर बनाए गए एक शत्रुतापूर्ण लोकल टेस्ट सर्वर पर चलाने का नतीजा है। यह सर्वर OAI-SearchBot को चैलेंज देता है, ClaudeBot पर रेट-लिमिट लगाता है, PerplexityBot को खाली ढाँचा देता है और robots.txt में GPTBot को मना करता है:

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 पर हर क्रॉलर को पूरा पेज मिलता है, ब्राउज़र जैसे ही स्टेटस और साइज़ के साथ।

तालिका कैसे पढ़ें?

स्क्रिप्ट क्या नहीं बता सकती?

असली वेबसाइटों पर हम क्या देखते हैं?

AISeeWhy 14 क्रॉलर के लिए इस तरह की जाँच चलाता है। अमेरिका, ब्रिटेन और फ़्रांस की जिन 165 कारोबारी वेबसाइटों को हम जाँच सके, उनमें से 38% (63 साइटों) ने कम से कम एक AI क्रॉलर को सर्वर पर लौटा दिया, जबकि उसी पते के ब्राउज़र को पेज मिल गया। इन सभी साइटों ने कम से कम एक ट्रेनिंग या स्क्रैपर बॉट को मना किया, और 10% (16 साइटों) ने कम से कम एक AI सर्च क्रॉलर को भी मना किया, जैसे PerplexityBot (11 साइटें) या OAI-SearchBot (5)।

ये साइटें कोई यादृच्छिक नमूना नहीं हैं, और 53 और साइटें जाँची नहीं जा सकीं क्योंकि सादे ब्राउज़र अनुरोध पर भी उन्होंने मना कर दिया या जवाब नहीं दिया। इसे ऐसा पैटर्न मानें जिसे अपनी साइट पर जाँचना ठीक रहेगा, कोई जनगणना नहीं।

मुफ़्त टूल

अगले कदम

इस लेख के क्रॉलर

अक्सर पूछे जाने वाले प्रश्न

क्या इसे किसी भी साइट पर चलाना सुरक्षित है?

इसे सिर्फ़ उन साइटों पर चलाएँ जो आपकी हैं या जिन्हें जाँचने की आपको अनुमति है। यह क्रॉलर के user agent के साथ अनुरोध भेजती है, जिन्हें कुछ बॉट-सुरक्षा प्रणालियाँ शत्रुतापूर्ण मानती हैं।

robots.txt में GPTBot मना होने पर भी वह ok क्यों दिखाता है?

robots.txt एक अनुरोध है, ताला नहीं। सर्वर उस हर किसी को जवाब देता है जो उसकी अनदेखी करता है, इसलिए HTTP कॉलम में ok दिखता है। उसके बगल का नियम दिखाता है कि नियम मानने वाला क्रॉलर क्या मानता है।

क्या स्क्रिप्ट JavaScript चलाती है?

नहीं, जान-बूझकर नहीं। वह वही HTML दिखाती है जो पेज रेंडर न करने वाले क्रॉलर को मिलता है। --expect फ़्लैग बताता है कि आपका मुख्य टेक्स्ट पहले से उस HTML में है या नहीं।

क्या साफ़ नतीजे का मतलब है कि ChatGPT मेरे पेज का हवाला देगा?

नहीं। पहुँच ज़रूरी है, पर काफ़ी नहीं। यह देखने के लिए कि कोई असिस्टेंट आपकी साइट का नाम लेता है या नहीं, उससे वही सवाल पूछें जो आपके ग्राहक पूछते हैं और देखें कि वह किन साइटों का हवाला देता है।

स्रोत

और लेख