Почему содержимое robots.txt отличается при ручном доступе и через ChromeDriver и Chrome через Selenium

Question

Я пытаюсь соблюдать файл robots.txt при сканировании через Интернет, и я столкнулся с чем-то странным. URL robots.txt, к которому я пытаюсь получить доступ: https://podatki.gov.si/robots.txt

Если я открою эту ссылку в Chrome, я получу следующее:

User-agent: *
Disallow: /

Но если я открою эту ссылку с помощью Internet Explorer или Selenium WebDriver (ChromeDriver), я получу следующее:

#
# robots.txt
#
# This file is to prevent the crawling and indexing of certain parts
# of your site by web crawlers and spiders run by sites like Yahoo!
# and Google. By telling these "robots" where not to go on your site,
# you save bandwidth and server resources.
#
# This file will be ignored unless it is at the root of your host:
# Used:    http://example.com/robots.txt
# Ignored: http://example.com/site/robots.txt
#
# For more information about the robots.txt standard, see:
# http://www.robotstxt.org/robotstxt.html

User-agent: *
Crawl-delay: 10
# CSS, JS, Images
Allow: /misc/*.css$
Allow: /misc/*.css?
Allow: /misc/*.js$
Allow: /misc/*.js?
Allow: /misc/*.gif
Allow: /misc/*.jpg
Allow: /misc/*.jpeg
Allow: /misc/*.png
Allow: /modules/*.css$
Allow: /modules/*.css?
Allow: /modules/*.js$
Allow: /modules/*.js?
Allow: /modules/*.gif
Allow: /modules/*.jpg
Allow: /modules/*.jpeg
Allow: /modules/*.png
Allow: /profiles/*.css$
Allow: /profiles/*.css?
Allow: /profiles/*.js$
Allow: /profiles/*.js?
Allow: /profiles/*.gif
Allow: /profiles/*.jpg
Allow: /profiles/*.jpeg
Allow: /profiles/*.png
Allow: /themes/*.css$
Allow: /themes/*.css?
Allow: /themes/*.js$
Allow: /themes/*.js?
Allow: /themes/*.gif
Allow: /themes/*.jpg
Allow: /themes/*.jpeg
Allow: /themes/*.png
# Directories
Disallow: /includes/
Disallow: /misc/
Disallow: /modules/
Disallow: /profiles/
Disallow: /scripts/
Disallow: /themes/
# Files
Disallow: /CHANGELOG.txt
Disallow: /cron.php
Disallow: /INSTALL.mysql.txt
Disallow: /INSTALL.pgsql.txt
Disallow: /INSTALL.sqlite.txt
Disallow: /install.php
Disallow: /INSTALL.txt
Disallow: /LICENSE.txt
Disallow: /MAINTAINERS.txt
Disallow: /update.php
Disallow: /UPGRADE.txt
Disallow: /xmlrpc.php
# Paths (clean URLs)
Disallow: /admin/
Disallow: /comment/reply/
Disallow: /filter/tips/
Disallow: /node/add/
Disallow: /search/
Disallow: /user/register/
Disallow: /user/password/
Disallow: /user/login/
Disallow: /user/logout/
# Paths (no clean URLs)
Disallow: /?q=admin/
Disallow: /?q=comment/reply/
Disallow: /?q=filter/tips/
Disallow: /?q=node/add/
Disallow: /?q=search/
Disallow: /?q=user/password/
Disallow: /?q=user/register/
Disallow: /?q=user/login/
Disallow: /?q=user/logout/

Почему это происходит? Последний, похоже, является общим файлом robots.txt, может быть, что-то сгенерировано автоматически?

Answer 1

Я наблюдал то же поведение, как показано ниже:

• При доступе к веб-странице https://podatki.gov.si/robots.txt вручную я получил:

  User-agent: *
  Disallow: /
  

• При доступе к веб-странице https://podatki.gov.si/robots.txt с использованием ChromeDriver и Chrome я получил:

  #
  # robots.txt
  #
  # This file is to prevent the crawling and indexing of certain parts
  # of your site by web crawlers and spiders run by sites like Yahoo!
  # and Google. By telling these "robots" where not to go on your site,
  # you save bandwidth and server resources.
  #
  # This file will be ignored unless it is at the root of your host:
  # Used:    http://example.com/robots.txt
  # Ignored: http://example.com/site/robots.txt
  #
  # For more information about the robots.txt standard, see:
  # http://www.robotstxt.org/robotstxt.html
  
  User-agent: *
  Crawl-delay: 10
  # CSS, JS, Images
  Allow: /misc/*.css$
  Allow: /misc/*.css?
  Allow: /misc/*.js$
  Allow: /misc/*.js?
  Allow: /misc/*.gif
  Allow: /misc/*.jpg
  Allow: /misc/*.jpeg
  Allow: /misc/*.png
  Allow: /modules/*.css$
  Allow: /modules/*.css?
  Allow: /modules/*.js$
  Allow: /modules/*.js?
  Allow: /modules/*.gif
  Allow: /modules/*.jpg
  Allow: /modules/*.jpeg
  Allow: /modules/*.png
  Allow: /profiles/*.css$
  Allow: /profiles/*.css?
  Allow: /profiles/*.js$
  Allow: /profiles/*.js?
  Allow: /profiles/*.gif
  Allow: /profiles/*.jpg
  Allow: /profiles/*.jpeg
  Allow: /profiles/*.png
  Allow: /themes/*.css$
  Allow: /themes/*.css?
  Allow: /themes/*.js$
  Allow: /themes/*.js?
  Allow: /themes/*.gif
  Allow: /themes/*.jpg
  Allow: /themes/*.jpeg
  Allow: /themes/*.png
  # Directories
  Disallow: /includes/
  Disallow: /misc/
  Disallow: /modules/
  Disallow: /profiles/
  Disallow: /scripts/
  Disallow: /themes/
  # Files
  Disallow: /CHANGELOG.txt
  Disallow: /cron.php
  Disallow: /INSTALL.mysql.txt
  Disallow: /INSTALL.pgsql.txt
  Disallow: /INSTALL.sqlite.txt
  Disallow: /install.php
  Disallow: /INSTALL.txt
  Disallow: /LICENSE.txt
  Disallow: /MAINTAINERS.txt
  Disallow: /update.php
  Disallow: /UPGRADE.txt
  Disallow: /xmlrpc.php
  # Paths (clean URLs)
  Disallow: /admin/
  Disallow: /comment/reply/
  Disallow: /filter/tips/
  Disallow: /node/add/
  Disallow: /search/
  Disallow: /user/register/
  Disallow: /user/password/
  Disallow: /user/login/
  Disallow: /user/logout/
  # Paths (no clean URLs)
  Disallow: /?q=admin/
  Disallow: /?q=comment/reply/
  Disallow: /?q=filter/tips/
  Disallow: /?q=node/add/
  Disallow: /?q=search/
  Disallow: /?q=user/password/
  Disallow: /?q=user/register/
  Disallow: /?q=user/login/
  Disallow: /?q=user/logout/
  

---

robots.txt

Согласно robotstxt.org владельцы веб-сайтов используют файл robots.txt, чтобы давать инструкции о своем сайте веб-роботам.Это называется Протокол исключения роботов .

Он работает следующим образом:

• Робот хочет получить URL-адрес веб-сайта, например, http://www.example.com/welcome.html.

• Прежде чем сделать это, он проверяет наличие http://www.example.com/robots.txt, и находит:

  User-agent: *
  Disallow: /
  

  • User-agent: * означаетэтот раздел относится ко всем роботам.
  • Disallow: / сообщает роботу, что он не должен посещать какие-либо страницы на сайте.

Есть два важных соображенияпри использовании robots.txt:

• Роботы могут игнорировать ваш robots.txt.Специально вредоносные роботы, которые сканируют Интернет на наличие уязвимостей, и сборщики адресов электронной почты, используемые спамерами, не будут обращать внимания.
• Файл robots.txt является общедоступным файлом.Любой может увидеть, какие разделы вашего сервера вы не хотите использовать роботами.

---

Outro

При использовании ChromeDriver и Chrome navigator.webdriver определяет стандартный способ взаимодействия пользовательских агентов для информирования документа о том, что он управляется WebDriver , так что альтернативные пути кода могут запускаться во время автоматизации,Следовательно, вы можете видеть больше содержимого из robots.txt.

. Соответствующее обсуждение можно найти в Selenium webdriver: Изменение флага navigator.webdriver для предотвращения обнаружения селена