AI क्रलरले तपाईंको साइटबाट वास्तवमा के पाउँछन्? 66 लाइनको स्क्रिप्ट

प्रकाशित

छोटो उत्तर

आफ्नो पेज ब्राउजरका रूपमा र प्रत्येक AI क्रलरका रूपमा अनुरोध गरेर दाँज्नुहोस्। क्रलरलाई मात्र 403, 429 वा च्यालेन्ज पेज आउनु, वा ब्राउजरको भन्दा निकै सानो 200 उत्तर आउनु भनेको robots.txt ले अनुमति दिए पनि फायरवालले त्यसलाई रोकेको हो। 66 लाइनको Node स्क्रिप्टले सातवटा क्रलरका लागि यो जाँच गर्छ र RFC 9309 का नियमअनुसार robots.txt पढ्छ।

robots.txt ले क्रलरले के तान्न पाउँछ भन्ने मात्र भन्छ। तपाईंको फायरवाल वा CDN ले वास्तवमा के फिर्ता पठाउँछ भन्ने त्यसले केही भन्दैन। यो लेखमा दुवै कुरा एकै ठाउँमा देखाउने छोटो स्क्रिप्ट छ, ताकि दुईबीच कहाँ फरक पर्छ भन्ने तपाईंले देख्न सक्नुहुन्छ।

यस पेजमा
  1. robots.txt ले क्रलरले के पाउँछ भन्ने किन बताउँदैन?
  2. स्क्रिप्ट
  3. यसलाई कसरी चलाउने?
  4. नतिजा कस्तो देखिन्छ?
  5. तालिका कसरी पढ्ने?
  6. स्क्रिप्टले के बताउन सक्दैन?
  7. वास्तविक वेबसाइटहरूमा हामी के देख्छौं?

robots.txt ले क्रलरले के पाउँछ भन्ने किन बताउँदैन?

robots.txt एउटा अनुरोध मात्र हो। वास्तवमा के फिर्ता पठाउने भन्ने निर्णय फायरवाल, CDN वा बोट-सुरक्षा नियमले गर्छ, र तपाईंको आफ्नै ब्राउजरमा सबै कुरा सामान्य देखिँदा पनि त्यसले OAI-SearchBot वा PerplexityBot लाई 403, 429 वा “Just a moment...” पेज दिन सक्छ।

जाँच भनेको एउटै URL ब्राउजरका रूपमा र क्रलरका रूपमा अनुरोध गरेर दाँज्नु हो। क्रलरलाई मात्र 403, 429 वा 503 आउनु, Just a moment... शीर्षकको पेज आउनु, वा ब्राउजरको भन्दा निकै सानो 200 उत्तर आउनु सबैले फायरवालतिर संकेत गर्छन्।

स्क्रिप्ट

यसलाई ai-crawler-view.mjs नामले सेभ गर्नुहोस्। यसलाई Node 18 वा त्यसभन्दा नयाँ चाहिन्छ, कुनै प्याकेज चाहिँदैन। यसले robots.txt एक पटक पढ्छ, तपाईंको पेज ब्राउजरका रूपमा तान्छ, अनि सातवटा AI क्रलरका रूपमा तान्छ: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot र 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 ले पूरा user agent स्ट्रिङ प्रकाशित गर्दैन, त्यसैले Claude का दुई लाइनमा क्रलर टोकन मात्र प्रयोग गरिएको छ। टोकन मिलाउने फायरवालले उस्तै प्रतिक्रिया दिन्छ।

यसलाई कसरी चलाउने?

यसलाई आफ्नै साइटको कुनै पेजमा चलाउनुहोस्। वैकल्पिक --expect फ्ल्यागले तपाईंको मुख्य सामग्रीको एउटा वाक्य प्रत्येक क्रलरले पाउने कच्चा HTML मा छ कि छैन जाँच्छ। छैन भने स्क्रिप्टहरूले पेज लोड भएपछि मात्र पाठ थप्छन्, र धेरै क्रलरले त्यो देख्दैनन्।

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

यो आफ्नै वा परीक्षण गर्न अनुमति पाएका साइटमा मात्र चलाउनुहोस्। यसले नौवटा अनुरोध पठाउँछ: robots.txt, ब्राउजर र प्रत्येक क्रलरका लागि एक-एक।

नतिजा कस्तो देखिन्छ?

यो जानाजानी शत्रुतापूर्ण बनाइएको स्थानीय परीक्षण सर्भरमा चलाएको नतिजा हो। त्यो सर्भरले OAI-SearchBot लाई च्यालेन्ज दिन्छ, ClaudeBot को दर सीमित गर्छ, PerplexityBot लाई खाली खोल दिन्छ र robots.txt मा GPTBot लाई disallow गर्छ:

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 मा हरेक क्रलरले ब्राउजरले जस्तै स्ट्याटस र साइजको पूरा पेज पाउँछ।

तालिका कसरी पढ्ने?

स्क्रिप्टले के बताउन सक्दैन?

वास्तविक वेबसाइटहरूमा हामी के देख्छौं?

AISeeWhy ले 14 वटा क्रलरका लागि यस्तो जाँच चलाउँछ। अमेरिका, बेलायत र फ्रान्सका हामीले परीक्षण गर्न सकेका 165 व्यवसायिक वेबसाइटमध्ये 38% (63 साइट) ले कम्तीमा एउटा AI क्रलरलाई सर्भरमै फर्कायो, जबकि उही ठेगानाको ब्राउजरले पेज पायो। ती सबै साइटले कम्तीमा एउटा प्रशिक्षण वा स्क्रेपर बोट रोकेका थिए, र 10% (16 साइट) ले कम्तीमा एउटा AI खोज क्रलर पनि रोके, जस्तै PerplexityBot (11 साइट) वा OAI-SearchBot (5)।

यी साइट अनियमित नमुना होइनन्, र थप 53 वटा परीक्षण गर्न सकिएन किनभने साधारण ब्राउजर अनुरोध पनि रोकियो वा उत्तर आएन। यसलाई जनगणना होइन, आफ्नै साइटमा जाँच्न लायक ढाँचा ठान्नुहोस्।

निःशुल्क टुल

अर्को कदम

यस लेखमा भएका क्रलर

बारम्बार सोधिने प्रश्नहरू

जुनसुकै साइटमा यो चलाउनु सुरक्षित छ?

यो आफ्नै वा परीक्षण गर्न अनुमति पाएका साइटमा मात्र चलाउनुहोस्। यसले क्रलरका user agent सहित अनुरोध पठाउँछ, जसलाई केही बोट-सुरक्षाले शत्रुतापूर्ण मान्छन्।

robots.txt ले GPTBot लाई disallow गरेको छ भने पनि किन ok देखिन्छ?

robots.txt अनुरोध मात्र हो, ताला होइन। त्यसलाई नमान्ने जोसुकैलाई सर्भरले उत्तर दिन्छ, त्यसैले HTTP स्तम्भमा ok देखिन्छ। छेउको नियमले असल व्यवहार गर्ने क्रलरले के मान्छ भन्ने देखाउँछ।

के स्क्रिप्टले JavaScript चलाउँछ?

चलाउँदैन, जानाजानी। पेज रेन्डर नगर्ने क्रलरले पाउने HTML मात्र यसले देखाउँछ। --expect फ्ल्यागले तपाईंको मुख्य पाठ पहिल्यै त्यो HTML मा छ कि छैन भनेर बताउँछ।

सफा नतिजा आउनुको अर्थ ChatGPT ले मेरो पेज उद्धृत गर्छ भन्ने हो?

होइन। पहुँच आवश्यक हो तर पर्याप्त होइन। सहायकले तपाईंको साइटको नाम लिन्छ कि लिँदैन हेर्न, तपाईंका ग्राहकले सोध्ने प्रश्न त्यसलाई सोध्नुहोस् र कुन साइट उद्धृत हुन्छन् टिप्नुहोस्।

स्रोतहरू

थप लेखहरू