Що насправді отримують AI-краулери від вашого сайту? Скрипт на 66 рядків

Опубліковано

Коротка відповідь

Запросіть свою сторінку як браузер і як кожен AI-краулер, а потім порівняйте відповіді. Якщо лише краулер отримує 403, 429 або сторінку-челендж, або якщо відповідь 200 набагато менша за сторінку для браузера, значить, фаєрвол відмовляє краулеру, навіть коли robots.txt це дозволяє. Скрипт Node на 66 рядків перевіряє сім краулерів і читає robots.txt за правилами RFC 9309.

robots.txt повідомляє краулеру, що він може завантажувати. Але він нічого не каже про те, що ваш фаєрвол або CDN насправді віддає у відповідь. Цей пост пропонує короткий скрипт, який показує обидві речі поруч, щоб ви побачили, де вони розходяться.

На цій сторінці
  1. Чому robots.txt не показує, що отримує краулер?
  2. Скрипт
  3. Як його запустити?
  4. Як виглядає результат?
  5. Як читати таблицю?
  6. Чого скрипт не може показати?
  7. Що ми бачимо на реальних сайтах?

Чому robots.txt не показує, що отримує краулер?

robots.txt — це лише прохання. Те, що насправді буде надіслано, вирішує фаєрвол, CDN або правило захисту від ботів. Воно може відповісти OAI-SearchBot чи PerplexityBot кодом 403, 429 або сторінкою «Just a moment...», тоді як ваші власні візити з браузера виглядають цілком нормально.

Перевірка проста: запросіть той самий URL як браузер і як краулер та порівняйте результати. 403, 429 або 503 лише для краулера, сторінка із заголовком Just a moment... або відповідь 200, значно менша за ту, що отримує браузер, — усе це вказує на фаєрвол.

Скрипт

Збережіть його як ai-crawler-view.mjs. Потрібен Node 18 або новіший, жодних пакетів. Скрипт один раз читає robots.txt, завантажує вашу сторінку як браузер, а потім як сім AI-краулерів: OAI-SearchBot, ChatGPT-User, GPTBot, Claude-SearchBot, ClaudeBot, PerplexityBot і 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 не публікує повні рядки user agent, тому для двох краулерів Claude використано лише токен краулера. Фаєрвол, який реагує на токен, поведеться так само.

Як його запустити?

Запустіть його на сторінці власного сайту. Необов'язковий прапорець --expect перевіряє, чи є речення з вашого основного контенту в сирому HTML, який отримує кожен краулер. Якщо його немає, текст додають скрипти вже після завантаження, і багато краулерів його не побачать.

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

Запускайте його лише на сайтах, які належать вам або які вам дозволено тестувати. Він надсилає дев'ять запитів: robots.txt, браузер і по одному на кожен краулер.

Як виглядає результат?

Ось результат для навмисно ворожого локального тестового сервера, який видає челендж для OAI-SearchBot, обмежує швидкість для ClaudeBot, віддає PerplexityBot порожню оболонку і забороняє GPTBot у robots.txt:

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

На aiseewhy.com кожен краулер отримує повну сторінку з тим самим статусом і розміром, що й браузер.

Як читати таблицю?

Чого скрипт не може показати?

Що ми бачимо на реальних сайтах?

AISeeWhy виконує таку перевірку для 14 краулерів. Серед 165 бізнес-сайтів у США, Великій Британії та Франції, які нам вдалося перевірити, 38% (63 сайти) відмовляли принаймні одному AI-краулеру на рівні сервера, тоді як браузер з тієї самої адреси отримував сторінку. Кожен із цих сайтів відмовляв принаймні одному боту для навчання чи скрапінгу, а 10% (16 сайтів) також відмовляли принаймні одному AI-пошуковому краулеру, наприклад PerplexityBot (11 сайтів) або OAI-SearchBot (5).

Ці сайти не є випадковою вибіркою, а ще 53 перевірити не вдалося, бо навіть звичайний запит із браузера було відхилено або залишено без відповіді. Сприймайте це як закономірність, яку варто перевірити на власному сайті, а не як перепис.

Безкоштовні інструменти

Що далі

Краулери в цій статті

Поширені запитання

Чи безпечно запускати це на будь-якому сайті?

Запускайте лише на сайтах, які належать вам або які вам дозволено тестувати. Скрипт надсилає запити з user agent краулерів, і деякі системи захисту від ботів вважають це ворожими діями.

Чому GPTBot показує ok, хоча robots.txt його забороняє?

robots.txt — це прохання, а не замок. Сервер відповідає кожному, хто його ігнорує, тому стовпець HTTP показує ok. Правило поруч показує, чого дотримується добросовісний краулер.

Чи виконує скрипт JavaScript?

Ні, навмисно. Він показує HTML, який отримує краулер, що не рендерить сторінки. Прапорець --expect підказує, чи є ваш основний текст уже в цьому HTML.

Чи означає чистий результат, що ChatGPT цитуватиме мою сторінку?

Ні. Доступ потрібен, але його недостатньо. Щоб побачити, чи називає асистент ваш сайт, поставте йому запитання, які ставлять ваші покупці, і запишіть, які сайти він цитує.

Джерела

Інші статті