Googlebot на Android: User-Agent для сканирования сайтов

Bot Guard видел этот User-Agent на 1 сайте из 54 подключённых (2%). Первое появление в нашей статистике: 28.09.2023, последнее: 28.09.2023. Всего за это время зафиксировано 2 визита.

По строке определяется: название клиента — Googlebot версии 2.1; операционная система — Android 6.0.1; тип устройства — смартфон или планшет на Android; движок — WebKit 537.36. Часть токенов, например Mozilla/5.0 и KHTML, like Gecko, исторически есть почти у всех браузеров и ничего не говорят о реальном клиенте.

Вердикт: краулер или служебный бот. Основания: явных противоречий в строке нет; в статистике 1 сайта, 2 визитов. Это оценка по строке и поведению, а не доказательство: по одному User-Agent нельзя гарантировать, что за ним бот или человек.

Настоящий поисковый робот создаёт умеренную нагрузку на сервер и нужен, чтобы страницы попадали в поиск. Системы статистики, как правило, не считают его визиты посещениями людей, но в журнале сервера он заметен. Резкий рост обращений стоит проверить на подделку.

Настоящий Googlebot можно отличить от подделки по адресу: выполните обратный DNS-запрос к IP клиента и проверьте, что имя хоста принадлежит компании Google, а прямая запись указывает на тот же IP. У подделки в User-Agent будет такое же имя, но адрес окажется чужим.

Проверка занимает две команды. Сначала по IP запроса получаем имя хоста, оно должно оканчиваться на .googlebot.com или .google.com. Затем по этому имени получаем IP обратно, адрес обязан совпасть с исходным. Если хотя бы одна проверка не прошла, запрос идёт не от Google.

# 1. обратный запрос: имя хоста по IP
host 203.0.113.10
# 203.0.113.10 -> pointer crawler-example.googlebot.com

# 2. прямой запрос: IP по имени хоста
host crawler-example.googlebot.com
# адрес в ответе должен быть 203.0.113.10

Запросы этого клиента легко найти в журнале по подстроке «Googlebot». Ниже примеры для подсчёта обращений, для nginx и для PHP. Строку лучше сверять без учёта регистра.

# сколько запросов в журнале nginx
grep -i "Googlebot" /var/log/nginx/access.log | wc -l

# nginx: пометить запросы клиента
map $http_user_agent $is_client {
    default 0;
    ~*Googlebot 1;
}

// PHP: определить клиента
if (stripos($_SERVER['HTTP_USER_AGENT'] ?? '', 'Googlebot') !== false) {
    // ваша логика: пропустить, ограничить или заблокировать
}

Робот, соблюдающий правила, читает robots.txt до обхода страниц. Чтобы закрыть сайт целиком или только один раздел, добавьте правило с названием клиента. robots.txt рекомендательный: подделки и недобросовестные боты его игнорируют, для них нужна блокировка на сервере.

# закрыть весь сайт
User-agent: Googlebot
Disallow: /

# закрыть только раздел
User-agent: Googlebot
Disallow: /private/

# разрешить всё
User-agent: Googlebot
Allow: /

Пускайте проверенного робота и следите за нагрузкой. Если обход слишком частый, ограничивайте скорость в настройках сервиса компании Google или правилами в robots.txt, а не блокировкой.