AI கிராலர்களுக்கு உங்கள் தளம் உண்மையில் என்ன தருகிறது? 66 வரி ஸ்கிரிப்ட்
உங்கள் பக்கத்தை உலாவியாகவும், ஒவ்வொரு AI கிராலராகவும் கோருங்கள், பிறகு ஒப்பிடுங்கள். கிராலருக்கு மட்டும் 403, 429 அல்லது சவால் பக்கம் கிடைத்தால், அல்லது 200 பதிலின் அளவு உலாவியின் பக்கத்தை விட மிகச் சிறியதாக இருந்தால், robots.txt அனுமதித்தாலும் ஃபயர்வால் அதை மறுக்கிறது என்று பொருள். 66 வரி Node ஸ்கிரிப்ட் ஏழு கிராலர்களுக்கு இதைச் செய்து, RFC 9309 விதிகளின்படி robots.txt-ஐப் படிக்கிறது.
robots.txt ஒரு கிராலர் எதைப் பெறலாம் என்று சொல்கிறது. ஆனால் உங்கள் ஃபயர்வாலோ CDN-ஓ உண்மையில் என்ன திருப்பி அனுப்புகிறது என்பதைப் பற்றி அது எதுவும் சொல்வதில்லை. இரண்டையும் அருகருகே காட்டும் ஒரு சிறிய ஸ்கிரிப்டை இந்தப் பதிவு தருகிறது, இரண்டும் எங்கு முரண்படுகின்றன என்பதை நீங்கள் பார்க்கலாம்.
இந்தப் பக்கத்தில்
ஒரு கிராலர் என்ன பெறுகிறது என்பதை robots.txt ஏன் சொல்வதில்லை?
robots.txt ஒரு கோரிக்கை மட்டுமே. உண்மையில் என்ன திருப்பி அனுப்பப்படுகிறது என்பதை ஃபயர்வால், CDN அல்லது போட் பாதுகாப்பு விதி தீர்மானிக்கிறது. உங்கள் சொந்த உலாவி வருகைகள் முற்றிலும் இயல்பாகத் தெரியும்போதும், OAI-SearchBot அல்லது PerplexityBot-க்கு அது 403, 429 அல்லது "Just a moment..." பக்கத்தைத் தரக்கூடும்.
சோதனை எளிது: அதே URL-ஐ உலாவியாகவும் கிராலராகவும் கோரி ஒப்பிடுங்கள். கிராலருக்கு மட்டும் 403, 429 அல்லது 503 வருவது, Just a moment... என்ற தலைப்புள்ள பக்கம், அல்லது உலாவியின் பக்கத்தை விட மிகச் சிறிய 200 பதில் ஆகிய அனைத்தும் ஃபயர்வாலைச் சுட்டிக்காட்டுகின்றன.
ஸ்கிரிப்ட்
இதை ai-crawler-view.mjs என்ற பெயரில் சேமியுங்கள். இதற்கு Node 18 அல்லது புதிய பதிப்பு தேவை; தொகுப்புகள் எதுவும் தேவையில்லை. இது robots.txt-ஐ ஒரு முறை படித்து, உங்கள் பக்கத்தை உலாவியாகவும், பிறகு ஏழு AI கிராலர்களாகவும் பெறுகிறது: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot மற்றும் 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 முழுமையான user agent சரங்களை வெளியிடுவதில்லை, எனவே இரண்டு Claude வரிகளும் கிராலர் டோக்கனை மட்டுமே பயன்படுத்துகின்றன. டோக்கனை வைத்துப் பொருத்தும் ஃபயர்வால் அதே விதமாகவே எதிர்வினையாற்றும்.
இதை எப்படி இயக்குவது?
உங்கள் சொந்தத் தளத்தின் ஒரு பக்கத்தின் மீது இதை இயக்குங்கள். விருப்பத் தேர்வான --expect கொடி, உங்கள் முக்கிய உள்ளடக்கத்தின் ஒரு வாக்கியம் ஒவ்வொரு கிராலரும் பெறும் மூல HTML-இல் உள்ளதா என்று சரிபார்க்கிறது. அது இல்லையென்றால், பக்கம் ஏற்றப்பட்ட பிறகு ஸ்கிரிப்ட்கள் உரையைச் சேர்க்கின்றன என்று பொருள்; பல கிராலர்கள் அதைப் பார்க்காது.
node ai-crawler-view.mjs https://your-site.com/pricing/ --expect "a sentence from your page" நீங்கள் உரிமையாளராக உள்ள அல்லது சோதிக்க அனுமதி பெற்ற தளங்களில் மட்டுமே இதை இயக்குங்கள். இது ஒன்பது கோரிக்கைகளை அனுப்புகிறது: robots.txt, உலாவி, மற்றும் ஒவ்வொரு கிராலருக்கும் ஒன்று.
வெளியீடு எப்படி இருக்கும்?
OAI-SearchBot-ஐச் சவால் செய்யும், ClaudeBot-இன் கோரிக்கை வரம்பைக் குறைக்கும், PerplexityBot-க்கு வெற்றுக் கூட்டை வழங்கும், robots.txt-இல் GPTBot-ஐத் தடை செய்யும் வேண்டுமென்றே விரோதமாக அமைத்த ஒரு உள்ளூர் சோதனைச் சேவையகத்தின் மீது கிடைத்த முடிவு இது:
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-இல் ஒவ்வொரு கிராலரும் உலாவியின் அதே நிலை மற்றும் அளவுடன் முழுப் பக்கத்தைப் பெறுகிறது.
அட்டவணையை எப்படிப் படிப்பது?
- robots.txt நெடுவரிசை நீங்கள் வழங்கிய அனுமதியைக் காட்டுகிறது: RFC 9309-இன்படி அந்தக் கிராலருக்குப் பொருந்தும் விதி, அதாவது அந்தக் கிராலரின் பெயருள்ள குழு, இல்லையெனில்
*, பின்னர் மிக நீளமாகப் பொருந்தும் விதி; சமநிலை ஏற்பட்டால்Allowவெல்லும். - HTTP மற்றும் bytes நெடுவரிசைகள் சேவையகம் உண்மையில் செய்ததைக் காட்டுகின்றன. robots.txt-ஐப் புறக்கணிப்பவர் யாருக்கும் சேவையகம் பதிலளிப்பதால்
GPTBot200 என்று காட்டுகிறது; அதன் அருகிலுள்ள விதியையே ஒழுங்காக நடக்கும் கிராலர் பின்பற்றும். - ஆபத்தான வரிசைகள் இதற்கு நேர்மாறானவை:
BLOCKEDஅல்லதுTHINஅருகேallow: /இருப்பது. அது சரி என்று சொல்லி இல்லை என்று பதிலளிக்கும் தளம்.
இந்த ஸ்கிரிப்ட் எதைச் சொல்ல முடியாது?
- இது உண்மையான கிராலர்களை அல்ல, உங்கள் சொந்த IP முகவரியிலிருந்து user agent-களைச் சோதிக்கிறது. பல ஃபயர்வால்கள் ஒரு கிராலரை அதன் விற்பனையாளர் வெளியிடும் IP வரம்புகளால் சரிபார்க்கின்றன; எனவே உங்கள் கோரிக்கை மறுக்கப்படும்போது உண்மையான
OAI-SearchBotஅனுமதிக்கப்படலாம், அல்லது அதற்கு நேர்மாறாகவும் நிகழலாம். user agent-க்கு எதிர்வினையாற்றும் விதிகளைக் கண்டறிய இதைப் பயன்படுத்துங்கள், பிறகு விற்பனையாளர்கள் வெளியிட்ட IP பட்டியல்களைச் சரிபாருங்கள். - இது வேண்டுமென்றே JavaScript-ஐ இயக்குவதில்லை: பக்கத்தை ரெண்டர் செய்யாத கிராலர் பார்க்கும் HTML-ஐ இது காட்டுகிறது.
- சுத்தமான முடிவு என்பது பரிந்துரை அல்ல. படிக்கக்கூடியதாக இருப்பதும் மேற்கோள் காட்டப்படுவதும் ஒன்றல்ல.
உண்மையான இணையதளங்களில் நாம் என்ன காண்கிறோம்?
AISeeWhy இந்த வகைச் சோதனையை 14 கிராலர்களுக்குச் செய்கிறது. அமெரிக்கா, இங்கிலாந்து, பிரான்ஸ் ஆகியவற்றில் நாங்கள் சோதிக்க முடிந்த 165 வணிக இணையதளங்களில், அதே முகவரியிலிருந்து உலாவிக்குப் பக்கம் கிடைத்தபோதும் 38% (63 தளங்கள்) குறைந்தது ஒரு AI கிராலரைச் சேவையகத்திலேயே திருப்பி அனுப்பின. அந்தத் தளங்கள் ஒவ்வொன்றும் குறைந்தது ஒரு பயிற்சி அல்லது ஸ்கிராப்பர் போட்டை மறுத்தன; 10% (16 தளங்கள்) குறைந்தது ஒரு AI தேடல் கிராலரையும் மறுத்தன, எடுத்துக்காட்டாக PerplexityBot (11 தளங்கள்) அல்லது OAI-SearchBot (5).
இந்தத் தளங்கள் சீரற்ற மாதிரி அல்ல; மேலும் 53 தளங்களைச் சோதிக்க முடியவில்லை, ஏனெனில் சாதாரண உலாவி கோரிக்கையும் மறுக்கப்பட்டது அல்லது பதிலில்லை. இதை முழுக் கணக்கெடுப்பாக அல்ல, உங்கள் சொந்தத் தளத்தில் சரிபார்க்கத் தகுந்த ஒரு போக்காகக் கருதுங்கள்.
அடுத்த படிகள்
- AI கிராலர்களுக்கான robots.txt tester, சரிபார்ப்பு
- AI கிராலர் IP சரிபார்ப்பு
- முழு அறிக்கையின் ஓர் எடுத்துக்காட்டைப் பாருங்கள்
- AI கிராலர் கண்காணிப்பு
- திட்டங்களும் விலைகளும்
இந்தக் கட்டுரையில் உள்ள கிராலர்கள்
அடிக்கடி கேட்கப்படும் கேள்விகள்
எந்தத் தளத்தின் மீதும் இதை இயக்குவது பாதுகாப்பானதா?
நீங்கள் உரிமையாளராக உள்ள அல்லது சோதிக்க அனுமதி பெற்ற தளங்களில் மட்டுமே இதை இயக்குங்கள். இது கிராலர் user agent-களுடன் கோரிக்கைகளை அனுப்புகிறது; சில போட் பாதுகாப்புகள் அவற்றை விரோதமாகக் கருதுகின்றன.
robots.txt தடை செய்தாலும் GPTBot ஏன் ok என்று காட்டுகிறது?
robots.txt ஒரு கோரிக்கை மட்டுமே, பூட்டு அல்ல. அதைப் புறக்கணிக்கும் யாருக்கும் சேவையகம் பதிலளிப்பதால் HTTP நெடுவரிசை ok என்று காட்டுகிறது. ஒழுங்காக நடக்கும் கிராலர் எதைப் பின்பற்றும் என்பதை அதன் அருகிலுள்ள விதி காட்டுகிறது.
இந்த ஸ்கிரிப்ட் JavaScript-ஐ இயக்குமா?
இல்லை, வேண்டுமென்றே இயக்காது. பக்கங்களை ரெண்டர் செய்யாத கிராலர் பெறும் HTML-ஐ இது காட்டுகிறது. உங்கள் முக்கிய உரை ஏற்கனவே அந்த HTML-இல் உள்ளதா என்பதை --expect கொடி சொல்கிறது.
சுத்தமான முடிவு என்றால் ChatGPT என் பக்கத்தை மேற்கோள் காட்டும் என்று பொருளா?
இல்லை. அணுகல் அவசியம், ஆனால் போதாது. ஒரு உதவியாளர் உங்கள் தளத்தைக் குறிப்பிடுகிறதா என்று பார்க்க, உங்கள் வாடிக்கையாளர்கள் கேட்கும் கேள்விகளை அதனிடம் கேட்டு, அது எந்தத் தளங்களை மேற்கோள் காட்டுகிறது என்பதைக் குறித்துக்கொள்ளுங்கள்.
மூலங்கள்
- 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)