AI క్రాలర్లకు మీ సైట్ నుండి నిజంగా ఏమి అందుతోంది? 66 లైన్ల స్క్రిప్ట్
మీ పేజీని బ్రౌజర్గా, ఆపై ప్రతి AI క్రాలర్గా అభ్యర్థించి పోల్చండి. క్రాలర్కు మాత్రమే 403, 429 లేదా ఛాలెంజ్ పేజీ వస్తే, లేదా బ్రౌజర్ పేజీ కంటే చాలా చిన్న 200 స్పందన వస్తే, robots.txt అనుమతించినా ఫైర్వాల్ దాన్ని తిరస్కరిస్తోందని అర్థం. 66 లైన్ల Node స్క్రిప్ట్ ఏడు క్రాలర్ల కోసం ఇది చేస్తుంది, RFC 9309 నియమాల ప్రకారం robots.txt చదువుతుంది.
robots.txt క్రాలర్ ఏమి తీసుకోవచ్చో చెబుతుంది. కానీ మీ ఫైర్వాల్ లేదా CDN వాస్తవంగా ఏమి పంపుతుందో అది చెప్పదు. ఈ రెండింటినీ పక్కపక్కనే చూపే చిన్న స్క్రిప్ట్ను ఈ పోస్ట్ ఇస్తుంది, తద్వారా రెండింటి మధ్య తేడా ఎక్కడ ఉందో మీరు చూడవచ్చు.
ఈ పేజీలో
క్రాలర్కు ఏమి అందుతుందో robots.txt ఎందుకు చెప్పదు?
robots.txt ఒక అభ్యర్థన మాత్రమే. వాస్తవంగా ఏమి తిరిగి పంపాలో ఫైర్వాల్, CDN లేదా బాట్ రక్షణ నియమం నిర్ణయిస్తుంది. మీ బ్రౌజర్లో అంతా సాధారణంగా కనిపిస్తున్నా, అది OAI-SearchBot లేదా PerplexityBotకు 403, 429 లేదా "Just a moment..." పేజీతో సమాధానం ఇవ్వవచ్చు.
పరిష్కారం: ఒకే URLను బ్రౌజర్గా, క్రాలర్గా అభ్యర్థించి పోల్చడమే. క్రాలర్కు మాత్రమే 403, 429 లేదా 503 రావడం, Just a moment... అనే శీర్షిక ఉన్న పేజీ రావడం, లేదా బ్రౌజర్ పేజీ కంటే చాలా చిన్న 200 స్పందన రావడం అన్నీ ఫైర్వాల్ వైపే సూచిస్తాయి.
స్క్రిప్ట్
దీన్ని ai-crawler-view.mjs పేరుతో సేవ్ చేయండి. దీనికి Node 18 లేదా కొత్త వెర్షన్ కావాలి, ప్యాకేజీలు అవసరం లేదు. ఇది robots.txtను ఒకసారి చదివి, మీ పేజీని బ్రౌజర్గా, ఆపై ఏడు AI క్రాలర్లుగా పొందుతుంది: 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 పూర్తి యూజర్ ఏజెంట్ స్ట్రింగ్లను ప్రచురించదు, కాబట్టి రెండు Claude లైన్లలో క్రాలర్ టోకెన్ మాత్రమే ఉంది. టోకెన్ ఆధారంగా సరిపోల్చే ఫైర్వాల్ అదే విధంగా స్పందిస్తుంది.
దీన్ని ఎలా నడపాలి?
మీ సొంత సైట్లోని ఒక పేజీపై దీన్ని నడపండి. ఐచ్ఛిక --expect ఫ్లాగ్, మీ ప్రధాన కంటెంట్లోని ఒక వాక్యం ప్రతి క్రాలర్కు అందే ముడి HTMLలో ఉందో లేదో తనిఖీ చేస్తుంది. అది లేకపోతే, పేజీ లోడ్ అయ్యాక స్క్రిప్ట్లు ఆ టెక్స్ట్ను చేరుస్తున్నాయని అర్థం, చాలా క్రాలర్లు దాన్ని చూడవు.
node ai-crawler-view.mjs https://your-site.com/pricing/ --expect "a sentence from your page" మీ సొంత సైట్లలో లేదా పరీక్షించడానికి అనుమతి ఉన్న సైట్లలో మాత్రమే దీన్ని నడపండి. ఇది తొమ్మిది అభ్యర్థనలు పంపుతుంది: robots.txt, బ్రౌజర్, ఆపై ప్రతి క్రాలర్కు ఒకటి.
అవుట్పుట్ ఎలా ఉంటుంది?
ఇది ఉద్దేశపూర్వకంగా ప్రతికూలంగా తయారుచేసిన లోకల్ టెస్ట్ సర్వర్పై వచ్చిన ఫలితం. ఆ సర్వర్ OAI-SearchBotకు ఛాలెంజ్ ఇస్తుంది, ClaudeBotను రేట్ లిమిట్ చేస్తుంది, PerplexityBotకు ఖాళీ షెల్ ఇస్తుంది, robots.txtలో GPTBotను నిషేధిస్తుంది:
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.comలో ప్రతి క్రాలర్కు పూర్తి పేజీ వస్తుంది, స్టేటస్, సైజు బ్రౌజర్కు వచ్చినవే.
పట్టికను ఎలా చదవాలి?
- robots.txt కాలమ్ మీరు ఇచ్చిన అనుమతిని చూపుతుంది: RFC 9309 ప్రకారం ఆ క్రాలర్కు వర్తించే నియమం. అంటే ఆ క్రాలర్ పేరు ఉన్న గ్రూప్, అది లేకపోతే
*, ఆపై పొడవైన సరిపోలే నియమం; రెండు సమానమైతేAllowగెలుస్తుంది. - HTTP, bytes కాలమ్లు సర్వర్ వాస్తవంగా ఏమి చేసిందో చూపుతాయి. robots.txtను పట్టించుకోని వారికి సర్వర్ సమాధానం ఇస్తుంది కాబట్టి
GPTBot200 చూపుతుంది; దాని పక్కన ఉన్న నియమాన్నే నియమాలు పాటించే క్రాలర్ అనుసరిస్తుంది. - ప్రమాదకరమైన వరుసలు దీనికి వ్యతిరేకమైనవి:
allow: /పక్కనBLOCKEDలేదాTHINఉండటం. అంటే సైట్ అవును అని చెప్పి, వాస్తవంలో కాదు అని సమాధానం ఇస్తోంది.
స్క్రిప్ట్ చెప్పలేనివి ఏవి?
- ఇది అసలు క్రాలర్లను కాదు, మీ సొంత IP చిరునామా నుండి యూజర్ ఏజెంట్లను పరీక్షిస్తుంది. చాలా ఫైర్వాల్లు క్రాలర్ను దాని విక్రేత ప్రచురించే IP పరిధుల ద్వారా ధృవీకరిస్తాయి, కాబట్టి మీ అభ్యర్థన తిరస్కరించబడినా నిజమైన
OAI-SearchBotను అనుమతించవచ్చు, లేదా దానికి వ్యతిరేకంగా జరగవచ్చు. యూజర్ ఏజెంట్కు స్పందించే నియమాలను కనుగొనడానికి దీన్ని వాడండి, ఆపై విక్రేతలు ప్రచురించిన IP జాబితాలను తనిఖీ చేయండి. - ఇది ఉద్దేశపూర్వకంగా JavaScript నడపదు: రెండరింగ్ చేయని క్రాలర్ చూసే HTMLను అది చూపుతుంది.
- ఫలితం సరిగా ఉండటం సిఫార్సు కాదు. చదవగలిగేలా ఉండటం, ఉదహరించబడటం ఒకటి కాదు.
నిజమైన వెబ్సైట్లలో మనం ఏమి చూస్తాం?
AISeeWhy 14 క్రాలర్ల కోసం ఇలాంటి తనిఖీని చేస్తుంది. మేము పరీక్షించగలిగిన US, UK, ఫ్రాన్స్లోని 165 వ్యాపార వెబ్సైట్లలో 38% (63 సైట్లు) సర్వర్ స్థాయిలో కనీసం ఒక AI క్రాలర్ను తిప్పి పంపాయి, అదే చిరునామా నుండి బ్రౌజర్కు మాత్రం పేజీ ఇచ్చాయి. ఆ ప్రతి సైట్ కనీసం ఒక ట్రైనింగ్ లేదా స్క్రేపర్ బాట్ను తిరస్కరించింది, 10% (16 సైట్లు) కనీసం ఒక AI సెర్చ్ క్రాలర్ను కూడా తిరస్కరించాయి, ఉదాహరణకు PerplexityBot (11 సైట్లు) లేదా OAI-SearchBot (5).
ఈ సైట్లు యాదృచ్ఛిక నమూనా కాదు, మరో 53 సైట్లను పరీక్షించలేకపోయాం ఎందుకంటే సాధారణ బ్రౌజర్ అభ్యర్థనను కూడా అవి తిరస్కరించాయి లేదా సమాధానం ఇవ్వలేదు. దీన్ని జనగణనగా కాకుండా, మీ సొంత సైట్లో తనిఖీ చేయదగిన ఒక ధోరణిగా చూడండి.
తదుపరి దశలు
- AI క్రాలర్ల కోసం robots.txt టెస్టర్, చెకర్
- AI క్రాలర్ IP తనిఖీ
- పూర్తి రిపోర్ట్ ఉదాహరణను చూడండి
- AI క్రాలర్ మానిటరింగ్
- ప్లాన్లు, ధరలు
ఈ వ్యాసంలోని క్రాలర్లు
తరచుగా అడిగే ప్రశ్నలు
ఏ సైట్పైన అయినా దీన్ని నడపడం సురక్షితమేనా?
మీ సొంత సైట్లలో లేదా పరీక్షించడానికి అనుమతి ఉన్న సైట్లలో మాత్రమే నడపండి. ఇది క్రాలర్ యూజర్ ఏజెంట్లతో అభ్యర్థనలు పంపుతుంది, కొన్ని బాట్ రక్షణలు వాటిని శత్రుపూరితంగా పరిగణిస్తాయి.
robots.txt నిషేధించినా GPTBot ok అని ఎందుకు చూపుతుంది?
robots.txt ఒక అభ్యర్థన మాత్రమే, తాళం కాదు. దాన్ని పట్టించుకోని వారికి సర్వర్ సమాధానం ఇస్తుంది, అందుకే HTTP కాలమ్ ok అని చూపుతుంది. నియమాలు పాటించే క్రాలర్ ఏది అనుసరిస్తుందో దాని పక్కన ఉన్న నియమం చూపుతుంది.
స్క్రిప్ట్ JavaScript నడుపుతుందా?
లేదు, ఉద్దేశపూర్వకంగానే. పేజీలను రెండర్ చేయని క్రాలర్కు అందే HTMLను ఇది చూపుతుంది. మీ ప్రధాన టెక్స్ట్ ఆ HTMLలో ఇప్పటికే ఉందో లేదో --expect ఫ్లాగ్ చెబుతుంది.
ఫలితం సరిగా ఉంటే ChatGPT నా పేజీని ఉదహరిస్తుందా?
కాదు. యాక్సెస్ అవసరమే కానీ సరిపోదు. అసిస్టెంట్ మీ సైట్ పేరు చెబుతుందో లేదో చూడటానికి, మీ కొనుగోలుదారులు అడిగే ప్రశ్నలను దానిని అడిగి, అది ఏ సైట్లను ఉదహరిస్తుందో గమనించండి.
మూలాలు
- RFC 9309: రోబోట్స్ ఎక్స్క్లూజన్ ప్రోటోకాల్
- OpenAI: OpenAI క్రాలర్ల అవలోకనం
- Anthropic: Anthropic వెబ్ నుండి డేటాను క్రాల్ చేస్తుందా, సైట్ యజమానులు క్రాలర్ను ఎలా నిరోధించవచ్చు?
- Perplexity: Perplexity క్రాలర్లు
- Cloudflare: AI క్రాలర్లను నిర్వహించడం (AI Crawl Control)