AI क्रॉलर्सना तुमच्या साइटवरून नेमके काय मिळते? 66 ओळींची स्क्रिप्ट

प्रकाशित

छोटे उत्तर

तुमचे पेज आधी ब्राउझर म्हणून आणि मग प्रत्येक AI क्रॉलर म्हणून मागवा, आणि निकालांची तुलना करा. फक्त क्रॉलरला 403, 429 किंवा चॅलेंज पेज मिळाले, किंवा 200 मिळाला पण तो ब्राउझरच्या पेजपेक्षा खूपच लहान असला, तर robots.txt परवानगी देत असूनही फायरवॉल त्याला नाकारत आहे. 66 ओळींची Node स्क्रिप्ट सात क्रॉलर्ससाठी हे तपासते आणि robots.txt RFC 9309 च्या नियमांनुसार वाचते.

robots.txt क्रॉलरला काय मागवण्याची परवानगी आहे ते सांगते. पण तुमचा फायरवॉल किंवा CDN प्रत्यक्षात काय परत पाठवतो, याबद्दल ते काहीच सांगत नाही. या पोस्टमध्ये एक छोटी स्क्रिप्ट आहे जी दोन्ही गोष्टी शेजारी शेजारी दाखवते, म्हणजे दोन्हीमध्ये कुठे फरक आहे ते तुम्हाला दिसेल.

या पेजवर
  1. robots.txt वरून क्रॉलरला काय मिळते हे का कळत नाही?
  2. स्क्रिप्ट
  3. ती कशी चालवायची?
  4. आउटपुट कसे दिसते?
  5. टेबल कसे वाचायचे?
  6. स्क्रिप्ट काय सांगू शकत नाही?
  7. खऱ्या वेबसाइट्सवर काय दिसते?

robots.txt वरून क्रॉलरला काय मिळते हे का कळत नाही?

robots.txt ही एक विनंती आहे. प्रत्यक्षात काय परत पाठवले जाते ते फायरवॉल, CDN किंवा बॉट-संरक्षण नियम ठरवतो. तो OAI-SearchBot किंवा PerplexityBot ला 403, 429 किंवा "Just a moment..." पेज देऊ शकतो, आणि तुमच्या स्वतःच्या ब्राउझरमध्ये मात्र सर्व काही अगदी व्यवस्थित दिसते.

तपासणी अशी करायची: तोच URL ब्राउझर म्हणून आणि क्रॉलर म्हणून मागवा आणि निकालांची तुलना करा. फक्त क्रॉलरला 403, 429 किंवा 503 मिळणे, Just a moment... शीर्षकाचे पेज मिळणे, किंवा ब्राउझरपेक्षा खूप लहान 200 प्रतिसाद मिळणे, हे सर्व फायरवॉलकडे निर्देश करतात.

स्क्रिप्ट

ती ai-crawler-view.mjs नावाने सेव्ह करा. तिला Node 18 किंवा नवीन आवृत्ती लागते, कोणतेही पॅकेज नको. ती robots.txt एकदा वाचते, तुमचे पेज ब्राउझर म्हणून मागवते, आणि मग सात AI क्रॉलर्स म्हणून मागवते: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot आणि 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 पूर्ण user agent स्ट्रिंग प्रसिद्ध करत नाही, म्हणून दोन Claude ओळींमध्ये फक्त क्रॉलर टोकन वापरले आहे. टोकनवर जुळणारा फायरवॉल तसाच प्रतिसाद देतो.

ती कशी चालवायची?

ती तुमच्या स्वतःच्या साइटच्या एखाद्या पेजवर चालवा. ऐच्छिक --expect फ्लॅग तुमच्या मुख्य मजकुरातील एक वाक्य प्रत्येक क्रॉलरला मिळालेल्या raw HTML मध्ये आहे का ते तपासतो. ते नसेल, तर मजकूर लोड झाल्यानंतर स्क्रिप्ट्स जोडतात, आणि अनेक क्रॉलर्सना तो दिसणार नाही.

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

ती फक्त तुमच्या स्वतःच्या किंवा चाचणीची परवानगी असलेल्या साइट्सवर चालवा. ती नऊ विनंत्या पाठवते: robots.txt, ब्राउझर आणि प्रत्येक क्रॉलरसाठी एक.

आउटपुट कसे दिसते?

हा निकाल मुद्दाम प्रतिकूल ठेवलेल्या स्थानिक चाचणी सर्व्हरवरचा आहे. तो OAI-SearchBot ला चॅलेंज देतो, ClaudeBot ला रेट-लिमिट करतो, PerplexityBot ला रिकामे शेल देतो आणि robots.txt मध्ये GPTBot ला disallow करतो:

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 वर प्रत्येक क्रॉलरला पूर्ण पेज मिळते, आणि स्टेटस व आकार ब्राउझरसारखेच असतात.

टेबल कसे वाचायचे?

स्क्रिप्ट काय सांगू शकत नाही?

खऱ्या वेबसाइट्सवर काय दिसते?

AISeeWhy 14 क्रॉलर्ससाठी अशी तपासणी करते. अमेरिका, UK आणि फ्रान्समधील ज्या 165 व्यवसाय वेबसाइट्स आम्ही तपासू शकलो, त्यांपैकी 38% (63 साइट्स) नी किमान एका AI क्रॉलरला सर्व्हरवरच परत पाठवले, तर त्याच पत्त्यावरील ब्राउझरला पेज मिळाले. त्या प्रत्येक साइटने किमान एका ट्रेनिंग किंवा स्क्रॅपर बॉटला नाकारले, आणि 10% (16 साइट्स) नी किमान एका AI सर्च क्रॉलरलाही नाकारले, जसे की PerplexityBot (11 साइट्स) किंवा OAI-SearchBot (5).

या साइट्स यादृच्छिक नमुना नाहीत, आणि आणखी 53 तपासता आल्या नाहीत कारण साधी ब्राउझर विनंतीसुद्धा नाकारली गेली किंवा तिला उत्तर मिळाले नाही. हा जनगणना नसून, तुमच्या साइटवर तपासून पाहण्यासारखा एक कल आहे असे समजा.

मोफत टूल्स

पुढील पायऱ्या

या लेखातील क्रॉलर

वारंवार विचारले जाणारे प्रश्न

कोणत्याही साइटवर ही स्क्रिप्ट चालवणे सुरक्षित आहे का?

ती फक्त तुमच्या स्वतःच्या किंवा चाचणीची परवानगी असलेल्या साइट्सवर चालवा. ती क्रॉलर user agent सह विनंत्या पाठवते, आणि काही बॉट-संरक्षण प्रणाली त्या विनंत्यांना धोकादायक मानतात.

robots.txt ने GPTBot ला disallow केले असतानाही तो ok का दाखवतो?

robots.txt ही विनंती आहे, कुलूप नाही. त्याकडे दुर्लक्ष करणाऱ्या कोणालाही सर्व्हर उत्तर देतो, म्हणून HTTP स्तंभात ok दिसते. त्याच्या शेजारचा नियम सभ्य क्रॉलर काय पाळतो ते दाखवतो.

स्क्रिप्ट JavaScript चालवते का?

नाही, मुद्दामच नाही. पेज रेंडर न करणाऱ्या क्रॉलरला जे HTML मिळते ते ती दाखवते. तुमचा मुख्य मजकूर आधीच त्या HTML मध्ये आहे का ते --expect फ्लॅग सांगतो.

स्वच्छ निकाल म्हणजे ChatGPT माझ्या पेजचा उल्लेख करेल का?

नाही. प्रवेश आवश्यक आहे, पण पुरेसा नाही. असिस्टंट तुमच्या साइटचे नाव घेतो का ते पाहण्यासाठी, तुमचे ग्राहक विचारतात तेच प्रश्न त्याला विचारा आणि तो कोणत्या साइट्सचा उल्लेख करतो ते नोंदवा.

स्रोत

आणखी लेख