Googlebot

Googlebot là tên gọi chung cho hai loại trình thu thập dữ liệu web của Google:

  • Googlebot Desktop: một trình thu thập dữ liệu máy tính mô phỏng một người dùng trên máy tính.
  • Googlebot Smartphone: một trình thu thập dữ liệu thiết bị di động mô phỏng một người dùng sử dụng thiết bị di động.

Bạn có thể xác định loại Googlebot bằng cách xem chuỗi tác nhân người dùng trong yêu cầu. Tuy nhiên, cả hai loại trình thu thập dữ liệu này đều có cùng một mã sản phẩm (mã tác nhân người dùng) trong tệp robots.txt. Do đó, bạn không được dùng tệp robots.txt để tuỳ ý nhắm đến Googlebot Smartphone (dành cho điện thoại thông minh) hoặc Googlebot Desktop (dành cho máy tính).

Đối với hầu hết các trang web, Google chủ yếu lập chỉ mục phiên bản nội dung dành cho thiết bị di động. Do đó, phần lớn yêu cầu thu thập dữ liệu của Googlebot sẽ do trình thu thập dữ liệu thiết bị di động thực hiện, trong khi một phần nhỏ còn lại thì sử dụng trên trình thu thập dữ liệu máy tính.

Cách Googlebot truy cập trang web của bạn

Với hầu hết các trang web, trung bình Googlebot sẽ không truy cập trang web của bạn nhiều lần trong vài giây. Tuy nhiên, do vấn đề trễ mạng nên có thể tốc độ truy cập trong những khoảng thời gian ngắn sẽ cao hơn một chút.

Chúng tôi đã thiết kế để có thể cho phép hàng nghìn máy chạy Googlebot cùng lúc nhằm cải thiện hiệu suất và quy mô tương ứng với sự phát triển của môi trường web. Ngoài ra, để giảm mức sử dụng băng thông, chúng tôi chạy nhiều trình thu thập dữ liệu trên các máy nằm gần những trang web mà các trình đó có thể thu thập dữ liệu. Do đó, có thể nhật ký của bạn cho thấy các lượt truy cập qua một vài địa chỉ IP, tất cả đều có tác nhân người dùng Googlebot. Mục tiêu của chúng tôi là thu thập dữ liệu nhiều trang nhất có thể trên trang web của bạn trong mỗi lần truy cập mà không làm máy chủ của bạn quá tải. Nếu trang web của bạn không đáp ứng được các yêu cầu thu thập dữ liệu của Google, thì bạn có thể giảm tốc độ thu thập dữ liệu.

Googlebot chủ yếu thu thập dữ liệu qua các địa chỉ IP ở Hoa Kỳ. Trong trường hợp phát hiện thấy một trang web chặn yêu cầu từ Hoa Kỳ, có thể Googlebot sẽ cố gắng thu thập dữ liệu qua địa chỉ IP ở các quốc gia khác. Danh sách khối địa chỉ IP mà Googlebot hiện sử dụng (định dạng JSON).

Googlebot thu thập dữ liệu qua HTTP/1.1 và nếu trang web có hỗ trợ thì qua HTTP/2. Phiên bản giao thức được sử dụng để thu thập dữ liệu trên trang web của bạn không mang lại lợi thế xếp hạng nào, nhưng việc thu thập dữ liệu qua HTTP/2 có thể giúp tiết kiệm tài nguyên điện toán (ví dụ như CPU, RAM) cho trang web của bạn và Googlebot.
Để chọn không cho phép thu thập dữ liệu qua HTTP/2, hãy hướng dẫn máy chủ lưu trữ trang web của bạn phản hồi bằng mã trạng thái HTTP 421 khi Googlebot cố gắng thu thập dữ liệu trên trang web của bạn qua HTTP/2. Nếu việc này không khả thi, bạn có thể gửi tin nhắn cho nhóm Googlebot (nhưng giải pháp này chỉ là tạm thời).

Googlebot có thể thu thập dữ liệu 15 MB đầu tiên của một tệp HTML hoặc tệp dựa trên văn bản được hỗ trợ. Mỗi tài nguyên được tham chiếu trong đoạn mã HTML như CSS và JavaScript được tìm nạp riêng biệt, đồng thời mỗi lần tìm nạp đều có cùng giới hạn kích thước tệp. Sau 15 MB đầu tiên của tệp, Googlebot sẽ ngừng thu thập dữ liệu và chỉ xem xét 15 MB đầu tiên đó của tệp để lập chỉ mục. Giới hạn kích thước tệp được áp dụng cho dữ liệu chưa nén. Các trình thu thập dữ liệu khác của Google, chẳng hạn như Googlebot Video và Googlebot Image, có thể có các giới hạn khác.

Khi thu thập dữ liệu qua các địa chỉ IP ở Hoa Kỳ, múi giờ của Googlebot là giờ Thái Bình Dương.

Chặn Googlebot truy cập trang web của bạn

Phương thức giữ bí mật một máy chủ web bằng cách không xuất bản các đường liên kết đến máy chủ đó hầu như không có hiệu quả. Ví dụ: ngay khi một người nào đó theo một đường liên kết từ máy chủ "bí mật" của bạn đến một máy chủ web khác, URL "bí mật" của bạn có thể xuất hiện trong thẻ liên kết giới thiệu, đồng thời có thể được máy chủ web khác lưu trữ và xuất bản trong nhật ký liên kết giới thiệu của máy chủ đó. Tương tự như vậy, có nhiều đường liên kết đã lỗi thời và bị hỏng trên web. Mỗi khi ai đó phát hành một đường liên kết không chính xác đến trang web của bạn hoặc không cập nhật đường liên kết để phản ánh thay đổi trong máy chủ của bạn, Googlebot sẽ cố gắng thu thập dữ liệu trên một đường liên kết không chính xác ở trang web của bạn.

Bạn có thể lựa chọn một số cách để ngăn Googlebot thu thập dữ liệu nội dung trên trang web của bạn. Hãy lưu ý sự khác biệt giữa việc ngăn Googlebot thu thập dữ liệu một trang/ngăn Googlebot lập chỉ mục một trang và ngăn cả trình thu thập dữ liệu hoặc người dùng truy cập vào một trang.

Xác minh Googlebot

Trước khi bạn quyết định chặn Googlebot, hãy lưu ý rằng các trình thu thập dữ liệu khác thường giả mạo chuỗi tác nhân người dùng mà Googlebot sử dụng. Điều quan trọng là bạn phải xác minh được rằng yêu cầu gặp vấn đề thực sự bắt nguồn từ Google. Cách tốt nhất để xác minh rằng một yêu cầu thực sự đến từ Googlebot là sử dụng quy trình tra cứu DNS ngược đối với IP nguồn của yêu cầu hoặc so khớp IP nguồn này với phạm vi IP của Googlebot.