Log File Analysis: анализ поведения поисковых роботов

Лог-файлы веб-сервера — единственный источник правды о поведении поисковых роботов. В отличие от Google Search Console, которая показывает данные с задержкой, логи дают реальную картину: какие URL обходит Googlebot, как часто, с какими ошибками. На основе этих данных мы оптимизируем crawl budget. За 5 лет проанализировали логи 200+ проектов — типичная экономия 40% ненужного краулинга. Например, на одном проекте с 50 000 страниц Googlebot тратил 80% бюджета на дубли и технические страницы, не приносящие трафика. После анализа мы сократили количество краулинга на 35%, что ускорило индексацию новых статей в 2 раза. Экономия на серверных ресурсах была существенной.

Почему анализ логов незаменим для SEO?

Без логов вы работаете вслепую. Реальные задачи, которые решает log file analysis:

• Диагностика crawl budget: Googlebot может тратить 80% ресурсов на дубли или страницы с низкой ценностью.
• Поиск URL, которые бот обходит, но не индексирует (при статусе 200, но отсутствии в GSC).
• Выявление медленно отвечающих страниц (response time > 3 с) — они снижают скорость краулинга.
• Обнаружение нежелательных ботов (скрейперы, агрессивные парсеры), которые нагружают сервер.
• Понимание эффективности инфраструктуры: если upstream_response_time растёт, значит бэкенд не справляется.

Как идентифицировать поисковых роботов?

Для каждого робота свой user-agent. Основные:

CRAWLER_PATTERNS = {
    'Googlebot': r'Googlebot(?:/\d+\.\d+)?',
    'Googlebot-Image': r'Googlebot-Image',
    'Googlebot-Video': r'Googlebot-Video',
    'Google AdsBot': r'AdsBot-Google',
    'Yandexbot': r'YandexBot(?:/\d+\.\d+)?',
    'YandexImages': r'YandexImages',
    'Bingbot': r'bingbot(?:/\d+\.\d+)?',
    'Baiduspider': r'Baiduspider',
    'DuckDuckBot': r'DuckDuckBot',
}

def verify_googlebot(ip: str) -> bool:
    try:
        hostname = socket.gethostbyaddr(ip)[0]
        if not re.search(r'\.googlebot\.com$|\.google\.com$', hostname):
            return False
        resolved_ip = socket.gethostbyname(hostname)
        return resolved_ip == ip
    except socket.herror:
        return False

Подлинность Googlebot проверяется через обратный DNS. Как отмечается в верификации Googlebot, это единственный способ гарантировать точность. Мы используем аналогичный скрипт и добиваемся 100% точности идентификации.

Парсинг логов: базовый скрипт

import re
import gzip
from pathlib import Path
from datetime import datetime
from collections import defaultdict, Counter
from dataclasses import dataclass, field
from typing import Iterator

LOG_PATTERN = re.compile(
    r'(?P<ip>[\d.]+) .+ \[(?P<time>[^\]]+)\] '
    r'"(?P<method>\w+) (?P<url>[^\s]+) HTTP/[\d.]+"'
    r'(?P<status>\d+) (?P<bytes>\d+) '
    r'"[^"]*" "(?P<ua>[^"]*)"'
    r'(?:\s+(?P<request_time>[\d.]+))?'
)

@dataclass
class LogEntry:
    ip: str
    time: datetime
    method: str
    url: str
    status: int
    bytes_sent: int
    user_agent: str
    request_time: float = 0.0
    crawler: str = ''

def parse_log_file(filepath: str) -> Iterator[LogEntry]:
    open_func = gzip.open if filepath.endswith('.gz') else open
    with open_func(filepath, 'rt', encoding='utf-8', errors='replace') as f:
        for line in f:
            m = LOG_PATTERN.match(line)
            if not m:
                continue
            try:
                entry = LogEntry(
                    ip=m.group('ip'),
                    time=datetime.strptime(m.group('time'), '%d/%b/%Y:%H:%M:%S %z'),
                    method=m.group('method'),
                    url=m.group('url'),
                    status=int(m.group('status')),
                    bytes_sent=int(m.group('bytes')),
                    user_agent=m.group('ua'),
                    request_time=float(m.group('request_time') or 0)
                )
                yield entry
            except (ValueError, AttributeError):
                continue

def identify_crawler(user_agent: str) -> str:
    for name, pattern in CRAWLER_PATTERNS.items():
        if re.search(pattern, user_agent, re.I):
            return name
    return ''

def analyze_crawler_behavior(log_files: list[str]) -> dict:
    crawler_stats = defaultdict(lambda: {
        'total_requests': 0,
        'urls': Counter(),
        'status_codes': Counter(),
        'slow_urls': [],
        'errors': [],
        'hourly_distribution': Counter()
    })
    for log_file in log_files:
        for entry in parse_log_file(log_file):
            crawler = identify_crawler(entry.user_agent)
            if not crawler:
                continue
            entry.crawler = crawler
            stats = crawler_stats[crawler]
            stats['total_requests'] += 1
            stats['urls'][entry.url] += 1
            stats['status_codes'][entry.status] += 1
            stats['hourly_distribution'][entry.time.hour] += 1
            if entry.request_time > 2.0:
                stats['slow_urls'].append({
                    'url': entry.url,
                    'time': entry.request_time,
                    'timestamp': entry.time.isoformat()
                })
            if entry.status >= 400:
                stats['errors'].append({
                    'url': entry.url,
                    'status': entry.status,
                    'timestamp': entry.time.isoformat()
                })
    return dict(crawler_stats)

Какие метрики важны при анализе?

После парсинга смотрим на следующие показатели:

Если бот слишком часто заходит на разделы с дублирующимся контентом — блокируем их в robots.txt или добавляем атрибут noindex.

Как настроить непрерывный мониторинг ботов?

Для непрерывного мониторинга мы стримим логи в ClickHouse. ClickHouse обрабатывает данные в 10 раз быстрее PostgreSQL, что критично при объёмах от 10 млн записей.

CREATE TABLE crawler_logs (
    timestamp DateTime,
    ip IPv4,
    method LowCardinality(String),
    url String,
    status UInt16,
    bytes UInt32,
    user_agent String,
    request_ms Float32,
    crawler LowCardinality(String)
) ENGINE = MergeTree()
PARTITION BY toYYYYMM(timestamp)
ORDER BY (crawler, timestamp)
TTL timestamp + INTERVAL 6 MONTH;

-- Запрос: топ URL, которые Googlebot посещает но не индексирует (200 OK, нет в GSC)
SELECT url, count() as visits
FROM crawler_logs
WHERE crawler = 'Googlebot' AND status = 200 AND timestamp >= now() - INTERVAL 30 DAY
GROUP BY url
ORDER BY visits DESC
LIMIT 50;

Обычный pipeline: Filebeat → Logstash/Vector → ClickHouse. На выходе — Grafana дашборд с алертами по аномалиям. Ниже — таблица этапов настройки:

Что делать с паразитными ботами?

Не все боты полезны. Сканируем user_agent на неизвестных скрейперов. Обнаруженных блокируем в nginx:

map $http_user_agent $bad_bot {
    default 0;
    ~*SemrushBot 0;
    ~*AhrefsBot 0;
    ~*MJ12bot 1;
    ~*DotBot 1;
}

server {
    if ($bad_bot) {
        return 403;
    }
}

Что входит в нашу работу по анализу логов

Мы выполняем проект под ключ:

• Сбор логов с серверов (nginx, Apache, IIS) за последние 3–6 месяцев.
• Парсинг и очистка: дедупликация, фильтрация, обогащение данными о ботах.
• Построение отчёта с таблицами и графиками: crawl rate, ошибки, медленные страницы.
• Рекомендации по оптимизации: исправление ошибок, настройка robots.txt, редиректов.
• Опционально: настройка автоматического pipeline ClickHouse + Grafana.
• Передача прав на скрипты и дашборды.

Опыт наших инженеров — 5+ лет, сертификация по Google Analytics и Яндекс.Метрике. Гарантируем конфиденциальность данных.

Процесс работы: от логов до отчёта

1. Аналитика — изучаем текущую структуру логов и настройки сервера.
2. Проектирование — выбираем метод парсинга (Python, Go или через ClickHouse).
3. Реализация — пишем скрипты, парсим логи, выгружаем метрики.
4. Тестирование — сверяем выборку с GSC для верификации данных.
5. Деплой — отдаём отчёт, обучаем вашу команду интерпретировать результаты.

Сроки и стоимость

Разовый анализ логов за 1 месяц (до 5 GB) — 2–3 рабочих дня. Настройка автоматизированного pipeline (парсинг → ClickHouse → Grafana дашборд) с алертами — 4–7 дней. Стоимость рассчитывается индивидуально, зависит от объёма логов и сложности инфраструктуры. Пишите — оценим ваш проект.

Получите консультацию по анализу логов вашего сайта. Мы поможем выявить скрытые проблемы индексации и сэкономить ресурсы сервера. Свяжитесь с нами для оценки вашего проекта — мы подберём оптимальный стек и рассчитаем сроки.