Trang cào bài tự động lấy nội dung website: nhận diện, chặn theo dấu hiệu, khiếu nại nơi lưu trữ và yêu cầu Google gỡ

Trang cào bài là website dùng chương trình tự động lấy bài từ nhiều nguồn rồi đăng lại, thường không ghi tác giả và kiếm tiền bằng quảng cáo. Xử lý theo ba tầng: chặn máy cào ngay trên máy chủ của bạn để giảm bài bị lấy mới; khiếu nại tới nhà cung cấp lưu trữ của trang cào để gỡ bài đã bị lấy; và yêu cầu Google gỡ các địa chỉ vi phạm khỏi kết quả tìm kiếm để trang cào không hưởng lượt truy cập từ bài của bạn. Làm riêng một tầng hiếm khi đủ.

Nhận diện trang cào bài

Không phải mọi bản sao đều đến từ trang cào. Phân biệt để chọn cách xử lý: người chép thủ công một bài có thể chỉ cần một thư nhắc; trang cào thì không ai đọc thư, phải đi đường khiếu nại. Dấu hiệu của trang cào:

• Đăng gần như ngay sau bạn: bài xuất hiện trên trang lạ trong vòng vài phút hoặc vài giờ sau khi bạn đăng.
• Chép cả lỗi: lỗi chính tả, chú thích ảnh, thậm chí câu "xem thêm bài trước" của bạn vẫn còn nguyên.
• Liên kết nội bộ của bạn còn sống: nếu bạn dùng đường dẫn tuyệt đối, các liên kết vẫn trỏ về website gốc.
• Trộn nhiều nguồn: trang có bài của hàng chục website khác nhau, cùng chủ đề hoặc chẳng liên quan.
• Không có tác giả, không có thông tin liên hệ thật, quảng cáo dày đặc.
• Đôi khi bị "xào" bằng công cụ: thay từ đồng nghĩa máy móc đến mức câu đọc lủng củng.

Chính sách chống nội dung rác của Google mô tả việc cào nội dung là lấy nội dung từ trang khác, "often through automated means" (thường bằng phương tiện tự động), và lưu trữ với mục đích thao túng thứ hạng tìm kiếm; ví dụ được nêu gồm đăng lại không có nội dung gốc, chỉ sửa đổi nhẹ, hoặc tái tạo nguồn tin mà không mang lại lợi ích cho người dùng.

Tầng 1: Chặn máy cào trên máy chủ của bạn

Mục tiêu là giảm số bài bị lấy mới mà không ảnh hưởng người đọc thật và máy tìm kiếm.

Chặn theo dấu hiệu hành vi

Dấu hiệu trong nhật ký máy chủ	Cách xử lý	Rủi ro chặn nhầm
Một địa chỉ tải rất nhiều trang trong thời gian ngắn	Giới hạn tốc độ truy cập theo địa chỉ IP	Thấp, nếu ngưỡng đặt rộng hơn hành vi người đọc
Chỉ tải HTML, không tải ảnh, tệp giao diện	Đưa vào danh sách theo dõi, thử thách trình duyệt	Thấp
Chuỗi nhận diện trình duyệt (user-agent) để trống hoặc là tên thư viện lập trình	Chặn hoặc thử thách	Trung bình — vài công cụ hợp lệ cũng tự nhận như vậy
Truy cập từ dải địa chỉ của trung tâm dữ liệu, gọi nguồn tin RSS liên tục	Giới hạn riêng cho nguồn tin, chuyển nguồn tin sang dạng tóm tắt	Thấp
Tự nhận là máy thu thập của công cụ tìm kiếm nhưng địa chỉ không thuộc công cụ đó	Chặn sau khi xác minh ngược tên máy chủ	Thấp nếu xác minh đúng cách

Lưu ý quan trọng: đừng bao giờ chặn máy thu thập thật của công cụ tìm kiếm. Một số trang cào giả danh máy thu thập của Google để vượt qua bộ lọc; cách đúng là xác minh địa chỉ bằng tra cứu ngược tên máy chủ trước khi cho qua hoặc chặn, theo hướng dẫn mà các công cụ tìm kiếm công bố.

Đánh dấu thay vì chỉ chặn

Khi đã xác định được một địa chỉ là máy cào, có thể cân nhắc cho địa chỉ đó nhận phiên bản trang có đoạn thông tin quản lý quyền nổi bật hơn và nhiều liên kết về bài gốc hơn. Trang cào đăng lại sẽ tự quảng bá cho bạn và tự để lại chứng cứ. Cẩn thận chỉ áp dụng cho địa chỉ đã xác minh là máy cào; trả nội dung khác cho máy thu thập của công cụ tìm kiếm là hành vi bị chính sách chống nội dung rác xử lý.

Robots.txt không giúp được ở tầng này: trang cào không tuân theo lời đề nghị trong tệp đó.

Tầng 2: Khiếu nại tới nơi lưu trữ trang cào

Trang cào ẩn danh, nhưng bài của nó phải nằm trên máy chủ của một nhà cung cấp lưu trữ (hosting) có thật. Nhà cung cấp đó mới là người có thể gỡ.

Tìm đúng nơi lưu trữ

1. Tra cứu thông tin đăng ký tên miền (WHOIS — cơ sở dữ liệu công khai về chủ thể và nhà đăng ký tên miền) để biết nhà đăng ký tên miền; thông tin chủ thể thường bị ẩn nhưng tên nhà đăng ký và địa chỉ nhận báo cáo lạm dụng vẫn hiện.
2. Tra địa chỉ IP của tên miền rồi tra chủ sở hữu dải IP để biết nhà cung cấp lưu trữ hoặc trung tâm dữ liệu.
3. Nếu địa chỉ IP thuộc một dịch vụ trung chuyển, tăng tốc hoặc bảo vệ website đứng trước máy chủ thật, gửi khiếu nại cho dịch vụ đó qua kênh tiếp nhận vi phạm của họ; tuỳ chính sách, họ có thể chuyển tiếp cho nhà cung cấp lưu trữ thật hoặc cho bạn biết bên đó là ai.

Nơi lưu trữ ở Việt Nam

Doanh nghiệp cho thuê chỗ lưu trữ nội dung thông tin số theo yêu cầu thuộc nhóm doanh nghiệp cung cấp dịch vụ trung gian tại Điều 110 Nghị định 17/2023/NĐ-CP. Để được miễn trừ trách nhiệm, họ phải xử lý yêu cầu theo Điều 114: trong vòng 72 giờ kể từ khi nhận yêu cầu kèm hồ sơ thì tạm gỡ và thông báo cho các bên; nếu trong 10 ngày làm việc không có phản đối kèm hồ sơ của bên bị yêu cầu thì gỡ hẳn. Hồ sơ theo khoản 4 Điều 114 gồm: thông tin bên yêu cầu (tên, địa chỉ, thư điện tử, số điện thoại, số giấy tờ định danh hoặc đăng ký doanh nghiệp); chứng cứ là chủ thể quyền theo Điều 77; văn bản ký số cam kết chịu trách nhiệm pháp lý, kể cả bồi thường nếu có thiệt hại; chứng cứ xâm phạm theo Điều 78; đường dẫn tới nội dung vi phạm kèm mô tả; văn bản ủy quyền nếu nhờ người khác gửi.

Với trang cào, mẹo là gửi một yêu cầu liệt kê toàn bộ các địa chỉ bài bị chép, kèm bảng đối chiếu từng địa chỉ với bài gốc và ngày đăng gốc. Một danh sách dài cho thấy hành vi có hệ thống và giúp bên lưu trữ thấy ngay đây không phải tranh chấp nội dung lẻ tẻ.

Nơi lưu trữ ở nước ngoài

Phần lớn nhà cung cấp lưu trữ quốc tế nhận thông báo theo DMCA. Theo 17 U.S.C. §512(c)(3), thông báo cần sáu yếu tố: chữ ký của người có quyền; xác định tác phẩm bị xâm phạm; xác định tài liệu vi phạm và thông tin đủ để tìm ra nó; thông tin liên hệ của người khiếu nại; tuyên bố thiện chí rằng việc sử dụng không được phép; và tuyên bố thông tin là chính xác, kèm cam kết người khiếu nại có thẩm quyền hành động thay chủ sở hữu.

Tầng 3: Yêu cầu Google gỡ khỏi kết quả tìm kiếm

Khi trang cào không gỡ, hoặc nơi lưu trữ không phản hồi, bạn vẫn có thể yêu cầu Google gỡ các địa chỉ vi phạm khỏi kết quả tìm kiếm. Công cụ xử lý pháp lý của Google, với sản phẩm Google Search, có lựa chọn báo cáo việc sử dụng trái phép tác phẩm được bảo hộ bản quyền. Vài điểm cần biết khi điền:

• Phải nêu địa chỉ cụ thể của từng trang vi phạm, không phải chỉ tên miền.
• Mô tả rõ nội dung nào trên trang là vi phạm và vì sao, kèm địa chỉ bài gốc của bạn.
• Google cho biết thông báo có thể được gửi tới tổ chức phi lợi nhuận Lumen để công bố sau khi lược bớt một số thông tin cá nhân.
• Trang trợ giúp cảnh báo người khai sai rằng một hoạt động là vi phạm có thể phải chịu bồi thường thiệt hại và chi phí luật sư; bên bị gỡ có quyền gửi phản đối (counter-notice — thông báo phản đối để yêu cầu khôi phục).

Lợi ích ngoài việc gỡ từng trang: chính sách của Google nêu rằng khi nhận được "a significant volume of valid copyright removal requests" (một lượng đáng kể yêu cầu gỡ bản quyền hợp lệ) liên quan tới một website, Google có thể dùng điều đó để hạ thứ hạng nội dung khác của website đó. Với trang cào lấy bài của nhiều người, các yêu cầu hợp lệ cộng dồn có tác dụng lớn hơn từng yêu cầu riêng lẻ.

Thứ tự làm việc gợi ý

1. Lưu chứng cứ: ảnh chụp từng trang bản sao kèm địa chỉ, thời gian; bảng đối chiếu bài gốc và bản sao.
2. Bật giới hạn tốc độ và chặn các dấu hiệu máy cào để ngừng mất bài mới.
3. Tìm nơi lưu trữ, gửi yêu cầu gỡ kèm danh sách địa chỉ.
4. Song song gửi yêu cầu gỡ khỏi tìm kiếm cho các trang đang xuất hiện trên kết quả.
5. Ghi vào sổ theo dõi, kiểm tra lại sau khi hết các mốc thời hạn.
6. Nếu trang cào gắn với một doanh nghiệp xác định và gây thiệt hại đáng kể, cân nhắc đơn yêu cầu xử lý hành vi xâm phạm theo Điều 75 đến Điều 78 Nghị định 17/2023 hoặc nhờ luật sư.

Đừng tự gửi thư đe doạ tới địa chỉ liên hệ của trang cào trước khi lưu chứng cứ: phản ứng thường gặp nhất của họ là đổi tên miền và giữ nguyên bài, khiến bạn phải làm lại từ đầu.