AI ക്രാളറുകൾക്ക് നിങ്ങളുടെ സൈറ്റിൽ നിന്ന് യഥാർഥത്തിൽ എന്ത് കിട്ടുന്നു? 66 വരി സ്ക്രിപ്റ്റ്
നിങ്ങളുടെ പേജ് ഒരു ബ്രൗസറായും ഓരോ AI ക്രാളറായും അഭ്യർഥിച്ച് ഫലം താരതമ്യം ചെയ്യുക. ക്രാളറിന് മാത്രം 403, 429 അല്ലെങ്കിൽ ഒരു ചലഞ്ച് പേജ് കിട്ടുകയോ, ബ്രൗസറിന് കിട്ടുന്നതിനെക്കാൾ വളരെ ചെറിയ 200 പ്രതികരണം കിട്ടുകയോ ചെയ്താൽ, robots.txt അനുവദിച്ചാലും ഫയർവാൾ ആ ക്രാളറിനെ തടയുന്നു എന്നാണ് അർഥം. 66 വരിയുള്ള Node സ്ക്രിപ്റ്റ് ഏഴ് ക്രാളറുകൾക്ക് ഇത് ചെയ്യുകയും RFC 9309 നിയമങ്ങൾ അനുസരിച്ച് robots.txt വായിക്കുകയും ചെയ്യുന്നു.
ഒരു ക്രാളറിന് എന്തൊക്കെ എടുക്കാം എന്ന് robots.txt പറയുന്നു. എന്നാൽ നിങ്ങളുടെ ഫയർവാളോ CDN-ഓ യഥാർഥത്തിൽ എന്താണ് തിരികെ നൽകുന്നത് എന്ന് അത് പറയുന്നില്ല. രണ്ടും അടുത്തടുത്ത് കാണിക്കുന്ന ഒരു ചെറിയ സ്ക്രിപ്റ്റ് ഈ പോസ്റ്റിൽ ഉണ്ട്. ഇവ രണ്ടും എവിടെയാണ് യോജിക്കാതെ വരുന്നത് എന്ന് അതിലൂടെ കാണാം.
ഈ പേജിൽ
ഒരു ക്രാളറിന് എന്ത് കിട്ടുന്നു എന്ന് robots.txt പറയാത്തത് എന്തുകൊണ്ട്?
robots.txt ഒരു അഭ്യർഥന മാത്രമാണ്. യഥാർഥത്തിൽ എന്ത് തിരികെ അയയ്ക്കണം എന്ന് തീരുമാനിക്കുന്നത് ഫയർവാൾ, CDN അല്ലെങ്കിൽ ബോട്ട് പ്രൊട്ടക്ഷൻ നിയമമാണ്. നിങ്ങളുടെ സ്വന്തം ബ്രൗസറിൽ എല്ലാം സാധാരണമായി തോന്നുമ്പോഴും, OAI-SearchBot അല്ലെങ്കിൽ PerplexityBot എന്നിവയ്ക്ക് 403, 429 അല്ലെങ്കിൽ "Just a moment..." പേജ് ആയിരിക്കും കിട്ടുന്നത്.
പരിശോധന ലളിതമാണ്: ഒരേ URL ഒരു ബ്രൗസറായും ക്രാളറായും അഭ്യർഥിച്ച് താരതമ്യം ചെയ്യുക. ക്രാളറിന് മാത്രം 403, 429 അല്ലെങ്കിൽ 503 കിട്ടുക, Just a moment... എന്ന തലക്കെട്ടുള്ള പേജ് കിട്ടുക, അല്ലെങ്കിൽ ബ്രൗസറിന്റേതിനെക്കാൾ വളരെ ചെറിയ 200 പ്രതികരണം കിട്ടുക എന്നിവയെല്ലാം ഫയർവാളിലേക്കാണ് വിരൽ ചൂണ്ടുന്നത്.
സ്ക്രിപ്റ്റ്
ഇത് ai-crawler-view.mjs എന്ന പേരിൽ സേവ് ചെയ്യുക. Node 18 അല്ലെങ്കിൽ അതിന് മുകളിലുള്ള പതിപ്പ് മതി, പാക്കേജുകൾ ആവശ്യമില്ല. ഇത് robots.txt ഒരു തവണ വായിക്കുകയും, നിങ്ങളുടെ പേജ് ഒരു ബ്രൗസറായും തുടർന്ന് ഏഴ് AI ക്രാളറുകളായും എടുക്കുകയും ചെയ്യുന്നു: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot, 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 പൂർണ്ണ user agent സ്ട്രിങ്ങുകൾ പ്രസിദ്ധീകരിക്കുന്നില്ല, അതിനാൽ രണ്ട് Claude വരികളിലും ക്രാളർ ടോക്കൺ മാത്രമാണ് ഉപയോഗിക്കുന്നത്. ടോക്കൺ നോക്കി പ്രവർത്തിക്കുന്ന ഫയർവാൾ അതേ രീതിയിൽ തന്നെ പ്രതികരിക്കും.
ഇത് എങ്ങനെ പ്രവർത്തിപ്പിക്കാം?
നിങ്ങളുടെ സ്വന്തം സൈറ്റിലെ ഒരു പേജിനെതിരെ ഇത് പ്രവർത്തിപ്പിക്കുക. ഓപ്ഷണൽ ആയ --expect ഫ്ലാഗ്, നിങ്ങളുടെ പ്രധാന ഉള്ളടക്കത്തിലെ ഒരു വാചകം ഓരോ ക്രാളറിനും കിട്ടുന്ന റോ HTML-ൽ ഉണ്ടോ എന്ന് പരിശോധിക്കുന്നു. ഇല്ലെങ്കിൽ, ലോഡ് ചെയ്ത ശേഷം സ്ക്രിപ്റ്റുകളാണ് ആ ടെക്സ്റ്റ് ചേർക്കുന്നത്, പല ക്രാളറുകളും അത് കാണില്ല.
node ai-crawler-view.mjs https://your-site.com/pricing/ --expect "a sentence from your page" നിങ്ങളുടെ സ്വന്തമോ പരിശോധിക്കാൻ അനുമതിയുള്ളതോ ആയ സൈറ്റുകളിൽ മാത്രം ഇത് പ്രവർത്തിപ്പിക്കുക. ഇത് ഒമ്പത് അഭ്യർഥനകൾ അയയ്ക്കുന്നു: robots.txt, ബ്രൗസർ, കൂടാതെ ഓരോ ക്രാളറിനും ഒന്ന് വീതം.
ഔട്ട്പുട്ട് എങ്ങനെ ഇരിക്കും?
OAI-SearchBot-നെ ചലഞ്ച് ചെയ്യുകയും, ClaudeBot-ന് റേറ്റ് ലിമിറ്റ് ഏർപ്പെടുത്തുകയും, PerplexityBot-ന് ശൂന്യമായ ഷെൽ നൽകുകയും, robots.txt-ൽ GPTBot അനുവദിക്കാതിരിക്കുകയും ചെയ്യുന്ന, മനഃപൂർവം ശത്രുതാപരമായി ഒരുക്കിയ ഒരു ലോക്കൽ ടെസ്റ്റ് സെർവറിനെതിരെ കിട്ടിയ ഫലമാണ് ഇത്:
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-ൽ ഓരോ ക്രാളറിനും പൂർണ്ണ പേജ് കിട്ടുന്നു, ബ്രൗസറിന് കിട്ടുന്ന അതേ സ്റ്റാറ്റസും വലുപ്പവും ഉണ്ടായിരിക്കും.
പട്ടിക എങ്ങനെ വായിക്കാം?
- robots.txt കോളം നിങ്ങൾ നൽകിയ അനുമതിയാണ്: RFC 9309 പ്രകാരം ആ ക്രാളറിന് ബാധകമായ നിയമം. അതായത്, ആ ക്രാളറിന്റെ പേരുള്ള ഗ്രൂപ്പ്, ഇല്ലെങ്കിൽ
*, തുടർന്ന് ഏറ്റവും നീളമുള്ള പൊരുത്തമുള്ള നിയമം, തുല്യത വന്നാൽAllowജയിക്കും. - HTTP, bytes കോളങ്ങൾ സെർവർ ചെയ്തതാണ് കാണിക്കുന്നത്. robots.txt അവഗണിക്കുന്ന ആർക്കും സെർവർ മറുപടി നൽകുന്നതിനാലാണ്
GPTBot200 കാണിക്കുന്നത്. അതിനടുത്തുള്ള നിയമമാണ് നല്ല രീതിയിൽ പെരുമാറുന്ന ക്രാളർ അനുസരിക്കുന്നത്. - അപകടകരമായ വരികൾ നേരെ വിപരീതമാണ്:
allow: /എന്നതിനടുത്ത്BLOCKEDഅല്ലെങ്കിൽTHIN. അതായത് "അതെ" എന്ന് പറയുകയും "അല്ല" എന്ന് മറുപടി നൽകുകയും ചെയ്യുന്ന സൈറ്റ്.
സ്ക്രിപ്റ്റിന് പറയാൻ കഴിയാത്തത് എന്താണ്?
- ഇത് യഥാർഥ ക്രാളറുകളെയല്ല, നിങ്ങളുടെ സ്വന്തം IP വിലാസത്തിൽ നിന്ന് user agent-കളെയാണ് പരിശോധിക്കുന്നത്. പല ഫയർവാളുകളും ക്രാളറിനെ പരിശോധിക്കുന്നത് അതിന്റെ വെണ്ടർ പ്രസിദ്ധീകരിക്കുന്ന IP ശ്രേണികൾ ഉപയോഗിച്ചാണ്. അതിനാൽ നിങ്ങളുടെ അഭ്യർഥന നിരസിക്കപ്പെടുമ്പോഴും യഥാർഥ
OAI-SearchBotകടത്തിവിടപ്പെടാം, തിരിച്ചും സംഭവിക്കാം. user agent-നോട് പ്രതികരിക്കുന്ന നിയമങ്ങൾ കണ്ടെത്താൻ ഇത് ഉപയോഗിക്കുക, തുടർന്ന് വെണ്ടർമാർ പ്രസിദ്ധീകരിച്ച IP ലിസ്റ്റുകൾ പരിശോധിക്കുക. - ഇത് മനഃപൂർവം JavaScript പ്രവർത്തിപ്പിക്കുന്നില്ല: റെൻഡർ ചെയ്യാത്ത ഒരു ക്രാളർ കാണുന്ന HTML ആണ് ഇത് കാണിക്കുന്നത്.
- വൃത്തിയുള്ള ഫലം ഒരു ശുപാർശയല്ല. വായിക്കാൻ കഴിയുക എന്നതും ഉദ്ധരിക്കപ്പെടുക എന്നതും ഒന്നല്ല.
യഥാർഥ വെബ്സൈറ്റുകളിൽ നാം എന്ത് കാണുന്നു?
AISeeWhy 14 ക്രാളറുകൾക്ക് ഇത്തരം പരിശോധന നടത്തുന്നു. അമേരിക്ക, യുകെ, ഫ്രാൻസ് എന്നിവിടങ്ങളിലെ പരിശോധിക്കാൻ കഴിഞ്ഞ 165 ബിസിനസ് വെബ്സൈറ്റുകളിൽ, 38% (63 സൈറ്റുകൾ) ഒരേ വിലാസത്തിൽ നിന്നുള്ള ബ്രൗസറിന് പേജ് നൽകിയപ്പോഴും സെർവറിൽ വച്ച് കുറഞ്ഞത് ഒരു AI ക്രാളറെ തിരിച്ചയച്ചു. ആ സൈറ്റുകളെല്ലാം കുറഞ്ഞത് ഒരു ട്രെയിനിങ് അല്ലെങ്കിൽ സ്ക്രാപ്പർ ബോട്ടിനെ നിരസിച്ചു. 10% (16 സൈറ്റുകൾ) PerplexityBot (11 സൈറ്റുകൾ), OAI-SearchBot (5) പോലുള്ള ഒരു AI സെർച്ച് ക്രാളറെയെങ്കിലും നിരസിച്ചു.
ഈ സൈറ്റുകൾ ക്രമരഹിതമായി തിരഞ്ഞെടുത്തവയല്ല. സാധാരണ ബ്രൗസർ അഭ്യർഥന പോലും നിരസിക്കപ്പെടുകയോ മറുപടി ലഭിക്കാതിരിക്കുകയോ ചെയ്തതിനാൽ 53 സൈറ്റുകൾ കൂടി പരിശോധിക്കാനായില്ല. ഇത് സെൻസസ് ആയി കാണരുത്; നിങ്ങളുടെ സ്വന്തം സൈറ്റിൽ പരിശോധിക്കേണ്ട ഒരു പ്രവണതയായി കാണുക.
അടുത്ത ഘട്ടങ്ങൾ
- AI ക്രോളറുകൾക്കുള്ള robots.txt ടെസ്റ്ററും ചെക്കറും
- AI ക്രോളർ IP പരിശോധന
- പൂർണ്ണ റിപ്പോർട്ടിന്റെ ഒരു ഉദാഹരണം കാണുക
- AI ക്രോളർ മോണിറ്ററിംഗ്
- പ്ലാനുകളും വിലകളും
ഈ ലേഖനത്തിലെ ക്രോളറുകൾ
പതിവ് ചോദ്യങ്ങൾ
ഏതൊരു സൈറ്റിലും ഇത് പ്രവർത്തിപ്പിക്കുന്നത് സുരക്ഷിതമാണോ?
നിങ്ങളുടെ സ്വന്തമോ പരിശോധിക്കാൻ അനുമതിയുള്ളതോ ആയ സൈറ്റുകളിൽ മാത്രം ഇത് പ്രവർത്തിപ്പിക്കുക. ഇത് ക്രാളർ user agent-കളോടെ അഭ്യർഥനകൾ അയയ്ക്കുന്നു, ചില ബോട്ട് പ്രതിരോധ സംവിധാനങ്ങൾ അതിനെ ശത്രുതാപരമായി കണക്കാക്കും.
robots.txt GPTBot-നെ അനുവദിക്കാത്തപ്പോൾ അത് ok എന്ന് കാണിക്കുന്നത് എന്തുകൊണ്ട്?
robots.txt ഒരു അഭ്യർഥന മാത്രമാണ്, പൂട്ടല്ല. അത് അവഗണിക്കുന്ന ആർക്കും സെർവർ മറുപടി നൽകുന്നു, അതിനാൽ HTTP കോളം ok എന്ന് കാണിക്കുന്നു. നല്ല രീതിയിൽ പെരുമാറുന്ന ക്രാളർ എന്താണ് അനുസരിക്കുന്നത് എന്ന് അതിനടുത്തുള്ള നിയമം കാണിക്കുന്നു.
സ്ക്രിപ്റ്റ് JavaScript പ്രവർത്തിപ്പിക്കുന്നുണ്ടോ?
ഇല്ല, മനഃപൂർവം തന്നെ. പേജുകൾ റെൻഡർ ചെയ്യാത്ത ഒരു ക്രാളറിന് കിട്ടുന്ന HTML ആണ് ഇത് കാണിക്കുന്നത്. നിങ്ങളുടെ പ്രധാന ടെക്സ്റ്റ് ആ HTML-ൽ തന്നെ ഉണ്ടോ എന്ന് --expect ഫ്ലാഗ് പറഞ്ഞുതരുന്നു.
വൃത്തിയുള്ള ഫലം എന്നാൽ ChatGPT എന്റെ പേജ് ഉദ്ധരിക്കും എന്നാണോ?
അല്ല. ആക്സസ് ആവശ്യമാണ്, പക്ഷേ അത് മാത്രം മതിയാകില്ല. ഒരു അസിസ്റ്റന്റ് നിങ്ങളുടെ സൈറ്റിന്റെ പേര് പറയുന്നുണ്ടോ എന്നറിയാൻ, നിങ്ങളുടെ വാങ്ങലുകാർ ചോദിക്കുന്ന ചോദ്യങ്ങൾ അതിനോട് ചോദിച്ച് ഏതൊക്കെ സൈറ്റുകളാണ് ഉദ്ധരിക്കുന്നത് എന്ന് ശ്രദ്ധിക്കുക.
ഉറവിടങ്ങൾ
- RFC 9309: Robots Exclusion Protocol
- OpenAI: Overview of OpenAI crawlers
- Anthropic: Does Anthropic crawl data from the web, and how can site owners block the crawler?
- Perplexity: Perplexity crawlers
- Cloudflare: Manage AI crawlers (AI Crawl Control)