Datensatz-Ersteller
CCBot ist ein von Common Crawl Foundation betriebener Bot, der Seiten für einen Datensatz crawlt, der weiterverwendet oder an Dritte weitergegeben werden kann. Webarchiv mit Daten bis zurück ins Jahr 2008. Laut Dokumentation beachtet er robots.txt, es gibt jedoch keine veröffentlichte Liste von IP-Bereichen und keine Reverse-DNS-Konvention. Eine Anfrage mit diesem User-Agent lässt sich daher nicht als echt nachweisen.
Anfrage gibt an
"CCBot/2.0"
Geprüft anhand
Nichts veröffentlicht
Live-Prüfung
Für CCBot gibt es keine Prüfung anhand von Angaben des Betreibers. Sie sehen trotzdem, was die Adresse tatsächlich ist.
Referenz
| User-Agent | CCBot/2.0 (https://commoncrawl.org/faq/) |
|---|---|
| Betreiber | Common Crawl Foundation |
| Zweck | Stellt einen offenen Crawl-Datensatz bereit, der für viele Zwecke genutzt wird, darunter maschinelles Lernen und KI. |
| Beachtet robots.txt | BeachtetQuelle |
| Verifizierungsmethode | Nur AngabeNichts veröffentlicht, nur User-Agent Common Crawl veröffentlicht keine IP-Liste und läuft auf gemieteter Cloud-Kapazität, daher beweist die Adresse allein nichts. Sein Archiv dient vielen Modellen als Trainingsgrundlage, weshalb eine Sperre Folgewirkungen hat. |
| Crawl-Muster | Derzeit monatlich. |
| robots.txt-Tokens | CCBot |
| Dokumentation des Betreibers | https://commoncrawl.org/ccbot |
Webarchiv mit Daten bis zurück ins Jahr 2008. Wird jedes Jahr in Tausenden Forschungsarbeiten zitiert.
robots.txt
Legen Sie eine davon im Stammverzeichnis Ihrer Domain ab. Regeln gelten pro Token.
User-agent: CCBot
Disallow: /User-agent: CCBot
Allow: /User-agent: CCBot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPassen Sie die Disallow-Pfade an Ihre eigenen URLs an.
Wenn Sie CCBot blockieren, gelangen Ihre Seiten nicht in die Datensätze, die er aus künftigen Crawls erstellt. Früher gesammelte Inhalte werden dadurch nicht entfernt. Wie die einzelnen Betreiber ihre Daten nutzen oder weitergeben, ist unterschiedlich, prüfen Sie daher deren Richtlinien.
Eine Datei für alle Crawler erstellenFAQ
CCBot ist ein von Common Crawl Foundation betriebener Bot, der Seiten für einen Datensatz crawlt, der weiterverwendet oder an Dritte weitergegeben werden kann. Webarchiv mit Daten bis zurück ins Jahr 2008. Laut Dokumentation beachtet er robots.txt, es gibt jedoch keine veröffentlichte Liste von IP-Bereichen und keine Reverse-DNS-Konvention. Eine Anfrage mit diesem User-Agent lässt sich daher nicht als echt nachweisen.
Ja. Der Betreiber dokumentiert, dass CCBot robots.txt liest und Disallow-Regeln für sein eigenes Token befolgt. Die Regeln greifen beim nächsten Abruf der Datei, was Stunden oder Tage nach der Veröffentlichung sein kann.
Das ist nicht möglich, zumindest nicht anhand der Anfrage selbst. Common Crawl veröffentlicht keine IP-Liste und läuft auf gemieteter Cloud-Kapazität, daher beweist die Adresse allein nichts. Sein Archiv dient vielen Modellen als Trainingsgrundlage, weshalb eine Sperre Folgewirkungen hat. Gleichen Sie stattdessen die Quell-IP mit Hosting- und Rechenzentrumsbereichen ab und begrenzen Sie die Rate bei allem, was sich wie ein Crawler verhält.
Tragen Sie das Token CCBot mit Disallow: / in die robots.txt ein. Falls der Crawler robots.txt ignoriert, filtern Sie den User-Agent in Ihrem CDN oder Reverse Proxy und geben Sie dort stattdessen 403 zurück.
Wenn Sie CCBot blockieren, gelangen Ihre Seiten nicht in die Datensätze, die er aus künftigen Crawls erstellt. Früher gesammelte Inhalte werden dadurch nicht entfernt. Wie die einzelnen Betreiber ihre Daten nutzen oder weitergeben, ist unterschiedlich, prüfen Sie daher deren Richtlinien.