# Краулер

## Що це таке

Спільного переліку сторінок мережі не існує, тож пошукова система мусить шукати їх сама, і програма, яку вона для цього посилає, — це краулер. Він починає з адрес, які вже знає, завантажує кожну через HTTP, читає посилання у відповіді й додає нові адреси до свого списку. Посібник Google про те, як працює пошук, наводить інші назви, що трапляються, — робот, бот, павук, а RFC 9309, стандарт robots.txt, описує краулери як автоматичних клієнтів, за допомогою яких пошукові системи рекурсивно проходять посиланнями для індексації.

Посилання — головний шлях усередину. За словами Google, Googlebot знаходить нові адреси передусім через посилання на сторінках, які вже просканував, і посібник наводить звичний приклад: сторінка категорії посилається на новий допис. Карта сайту — другий шлях, перелік, який власник сайту передає напряму. Сторінка без того й іншого не дає краулеру способу дізнатися, що вона існує.

Завантаження — перший із трьох етапів, які описує Google. Сканування завантажує текст, зображення й відео сторінки; індексація аналізує завантажене й зберігає його; показ відповідає на запит із цього індексу. Під час сканування Google також рендерить сторінку й виконує її JavaScript у свіжій версії Chrome, бо без цього кроку може не побачити частину вмісту. Нічого з цього не обіцяно: Google не гарантує, що просканує, проіндексує чи покаже сторінку, і не бере плати за те, щоб сканувати сайт частіше.

Краулер також має сказати, хто він. RFC 9309 дозволяє кожному краулеру обрати власне ім'я, токен продукту, що складається лише з літер, підкреслень і дефісів, і каже, що токен слід вказувати в ідентифікаційному рядку, який надсилає краулер, — через HTTP це заголовок User-Agent, — а сам рядок має описувати призначення краулера. Приклад заголовка в RFC містить `ExampleBot/0.1` і посилання на сторінку про краулер, а відповідний рядок у robots.txt виглядає як `user-agent: ExampleBot`. Ім'я — це твердження, а не доказ, бо надіслати його може будь-яка програма.

Не кожен автоматичний запит від Google — це сканування. Огляд Google ділить клієнтів на три види: звичайні краулери на кшталт Googlebot, які завжди дотримуються robots.txt під час автоматичного сканування; спеціальні краулери, що працюють за домовленістю між сайтом і продуктом Google і можуть дотримуватися цих правил, а можуть і ні; та завантажувачі на запит користувача, які зазвичай роблять один запит, бо про це попросила людина, і ігнорують robots.txt.

## Чому це важливо

Краулер сам вирішує, коли повернутися, і його манери визначають частину ціни за те, щоб вас знаходили. Google пише, що на більшості сайтів Googlebot у середньому має звертатися не частіше ніж раз на кілька секунд і що його краулери відступають, коли сайтові важко; за посібником про пошук, помилка HTTP 500 означає, що треба сповільнитися. Посібник Google про бюджет сканування описує весь механізм, але написаний для сайтів приблизно з мільйоном сторінок, що змінюються щотижня, або з десятьма тисячами, що змінюються щодня, і Google каже, що сайту, сторінки якого сканують у день публікації, він не потрібен.

Краулер також читає лише частину кожного файлу. Googlebot, що сканує для пошуку, бере перші 2 МБ файлу підтримуваного типу й перші 64 МБ PDF, рахуючи до стиснення, а решту ігнорує.

Слабке місце — ім'я. Google попереджає, що заголовок User-Agent, який надсилає Googlebot, часто підробляють інші краулери, тож рядок журналу зі словом Googlebot сам по собі нічого не доводить. Google описує дві перевірки. Для однієї адреси виконайте зворотний DNS-запит, переконайтеся, що ім'я хоста закінчується на `googlebot.com`, `google.com` або `googleusercontent.com`, потім виконайте прямий запит для цього імені й переконайтеся, що він повертає ту саму адресу. Приклад самого Google:

```text
host 66.249.66.1
1.66.249.66.in-addr.arpa domain name pointer crawl-66-249-66-1.googlebot.com.
host crawl-66-249-66-1.googlebot.com
crawl-66-249-66-1.googlebot.com has address 66.249.66.1
```

Для багатьох адрес одразу звіряйте кожну з діапазонами IP, які Google публікує як файли JSON у нотації CIDR, по файлу на кожен вид клієнта. Обидві перевірки спираються на мережу, з якої прийшов запит, а її відправник не може просто вписати в заголовок.

## Як це виглядає на практиці

Сторінка про приватність пояснює, як у журналі доступу цього сайту відрізняють краулери від інших відвідувачів. Кожен запис зберігає ідентифікаційний рядок браузера, «за яким ми відрізняємо людей від пошукових роботів», і далі йде ще один крок: «Якщо робот називає себе, ми звіряємо розмиту адресу (див. нижче) з мережами, які оприлюднює його власник.» Це другий метод Google, і саме він годиться для того, що зберігає журнал: остання частина кожної IP-адреси замінюється нулями ще до запису на диск, тож повна адреса, потрібна для зворотного запиту, не зберігається ніколи.

Зведення розглядають краулери як окрему аудиторію: «те саме для всього автоматизованого трафіку» поруч із тридцятьма днями для людей, щоденний підрахунок — «стільки-то сторінок прочитано, стільки-то з них — роботами, стільки-то дійшли до сторінки контактів» — і місячний рейтинг того, «які роботи та автоматичні сканери заходили на сайт». Краулер, що чесно себе називає, рахується під своїм ім'ям, а відоме ім'я, надіслане з мережі, якої власник не оприлюднює, перевірку не проходить.

Сторінка про готовність до ШІ-агентів виходить із того самого читача: «Агент починає там само, де краулер» — з файлу robots.txt, карти сайту і пошукових індексів. Її відповідь — зробити кожне з них свідомим вибором, аж до оголошення через IndexNow під час кожного розгортання, щоб пошуковики, які його підтримують, дізнавалися про нову сторінку «в день публікації, а не під час наступного обходу».

Дати — один зі способів, якими сайт говорить із краулером, і зрештою вони можуть не казати нічого корисного. Розповідь про карту сайту, що дала 172 зі 176 сторінок одну позначку часу прямо називає ставку: «дата зміни — це обіцянка пошуковому роботові, що вміст сторінки змінився». Сайт, який дає таку обіцянку для всіх сторінок одночасно, продовжує вона, «або правдиво повідомляє про повне переписування, або не повідомляє нікому нічого корисного».

## Де виникають проблеми

Запити, що називають себе Googlebot, надходять не від Google. Журнал показує багато трафіку під іменем Googlebot, і власник або пускає його, або блокує це ім'я повністю. Оскільки інші краулери часто позичають це ім'я, обидві реакції ризиковані: перша довіряє самозванцеві, а друга разом із ним відрізає справжній краулер. Перевірте мережу, з якої прийшов запит, — зворотним і прямим DNS-запитом для однієї адреси або за опублікованими діапазонами Google для багатьох — і вирішуйте на цій підставі, а не за іменем.

Опублікована сторінка ніколи не з'являється в скануванні. На неї ніщо не посилається, або до неї можна дістатися лише після входу. Без центрального реєстру краулер дізнається про адресу з посилань і карт сайту, а посібник Google називає сторінки за входом серед тих, до яких його краулер дістатися не може. Поставте посилання на сторінку з місця, яке вже сканують, додайте її до карти сайту і тримайте все, що має бути в пошуку, поза входом.

Швидкість сканування падає після поганого періоду для сервера. Щодня завантажується менше сторінок, і зміни помічають пізніше. Повільні відповіді, помилки 5xx і відповіді 429 знижують ліміт пропускної здатності сканування Google, який знову зростає, лише коли відповіді стають стабільними й швидкими, а всі краулери Google на хості ділять те, що лишилося. Спершу виправте помилки й затримки; сайтові з кількома тисячами сторінок не варто починати з посібника про бюджет сканування.

Сторінка, на яку ніхто не посилався, з'являється в запитах краулера. Адресу ніколи не публікували, можливо, це приватна чернетка, і все ж вона є в журналі доступу. Google називає майже неможливим зберегти сайт у таємниці, просто не публікуючи посилань на нього, бо перехід із цієї сторінки на інший сайт може залишити її адресу в журналі переходів, який потім опублікують. Ховайте все приватне за захистом паролем — саме його Google називає способом не пускати ні краулери, ні людей.

## Що почитати далі
* RFC 9309: Robots Exclusion Protocol — погляд стандарту на краулери: токени продукту, рядок User-Agent і правила, яких краулера просять дотримуватися.
* In-depth guide to how Google Search works — виявлення, сканування, рендеринг та індексація так, як їх описує Google.
* Overview of Google crawlers and fetchers (user agents) — три види клієнтів Google, ліміт розміру файлу, протоколи й кешування.
* Verify requests from Google crawlers and fetchers — DNS-запити й опубліковані діапазони IP із розібраними прикладами.
* Optimize your crawl budget — як Google встановлює швидкість сканування і яким сайтам її варто налаштовувати.
* Googlebot — краулери для смартфонів і комп'ютерів, як часто Googlebot заходить на сайт, ліміт розміру файлу і чому сторінка без посилань не є секретною.

=> /uk/privacy/ Сторінка про приватність
=> /uk/ai-ready/ Сторінка про готовність до ШІ-агентів
=> /uk/portfolio/fixed-a-sitemap-with-one-shared-timestamp/ карту сайту, що дала 172 зі 176
сторінок одну позначку
часу
=> https://www.rfc-editor.org/rfc/rfc9309 RFC 9309: Robots Exclusion Protocol
=> https://developers.google.com/search/docs/fundamentals/how-search-works In-depth guide to how Google Search works
=> https://developers.google.com/crawling/docs/crawlers-fetchers/overview-google-crawlers Overview of Google crawlers and fetchers (user agents)
=> https://developers.google.com/crawling/docs/crawlers-fetchers/verify-google-requests Verify requests from Google crawlers and fetchers
=> https://developers.google.com/crawling/docs/crawl-budget Optimize your crawl budget
=> https://developers.google.com/search/docs/crawling-indexing/googlebot Googlebot

=> https://engineer.company/uk/glossary/crawler/ Ця сторінка у вебі
