Creadores de datasets
Brightbot es un bot que rastrea páginas para crear un conjunto de datos que puede reutilizarse o compartirse con terceros, y su operador no se ha identificado públicamente. Brightbot es un crawler de recopilación de datos web de Bright Data que extrae y estructura contenido público de sitios web a gran escala y ofrece datos listos para IA para el entrenamiento de modelos, pipelines de RAG…. No se publica ninguna lista de rangos de IP ni convención de DNS inverso, así que no se puede demostrar que una solicitud con este user agent sea auténtica, y una regla en robots.txt no basta para frenar una suplantación.
La solicitud dice
"Brightbot"
Se comprueba con
Nada publicado
Comprobación en directo
No hay ninguna verificación del operador para Brightbot. Aun así, aquí ves qué es realmente la dirección.
Referencia
| User agent | BrightbotSolo token: busca coincidencias con la subcadena. |
|---|---|
| Operador | No identificado públicamente |
| Finalidad | Creadores de datasets |
| Respeta robots.txt | Sin política |
| Método de verificación | Solo declaradoNada publicado, solo user agent No se ha publicado ningún archivo de rangos de IP ni ninguna convención de DNS inverso para este agente. La cadena de user agent es la única señal y cualquier cliente puede enviarla, así que considera una coincidencia como una declaración y no como una prueba. |
| Patrón de rastreo | No publicado |
| Tokens de robots.txt | BrightbotBrightbot 1.0 |
| Documentación del operador | No hay ninguna publicada |
Brightbot es un crawler de recopilación de datos web de Bright Data que extrae y estructura contenido público de sitios web a gran escala y ofrece datos listos para IA para el entrenamiento de modelos, pipelines de RAG…
robots.txt
Pega una en la raíz de tu dominio. Las reglas se aplican por token.
User-agent: Brightbot
User-agent: Brightbot 1.0
Disallow: /User-agent: Brightbot
User-agent: Brightbot 1.0
Allow: /User-agent: Brightbot
User-agent: Brightbot 1.0
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchCambia las rutas de Disallow para que coincidan con tus URLs.
Bloquear Brightbot deja tus páginas fuera de los conjuntos de datos que cree a partir de futuros rastreos. No elimina nada de lo recopilado antes, y cada operador usa o comparte sus datos de forma distinta, así que consulta su política.
Crea un archivo para todos los rastreadoresFAQ
Brightbot es un bot que rastrea páginas para crear un conjunto de datos que puede reutilizarse o compartirse con terceros, y su operador no se ha identificado públicamente. Brightbot es un crawler de recopilación de datos web de Bright Data que extrae y estructura contenido público de sitios web a gran escala y ofrece datos listos para IA para el entrenamiento de modelos, pipelines de RAG…. No se publica ninguna lista de rangos de IP ni convención de DNS inverso, así que no se puede demostrar que una solicitud con este user agent sea auténtica, y una regla en robots.txt no basta para frenar una suplantación.
No está documentado. Ninguna declaración del operador indica si Brightbot lee robots.txt, así que añade la regla pero comprueba en tus registros que las solicitudes realmente se detienen.
No puedes, al menos no a partir de la propia solicitud. No se ha publicado ningún archivo de rangos de IP ni ninguna convención de DNS inverso para este agente. La cadena de user agent es la única señal y cualquier cliente puede enviarla, así que considera una coincidencia como una declaración y no como una prueba. En su lugar, compara la IP de origen con rangos de hosting y de centros de datos, y limita la frecuencia de todo lo que se comporte como un rastreador.
Añade estos tokens de user agent (Brightbot, Brightbot 1.0) a robots.txt con Disallow: /. Si el rastreador ignora robots.txt, filtra el user agent en tu CDN o proxy inverso y devuelve allí un 403.
Bloquear Brightbot deja tus páginas fuera de los conjuntos de datos que cree a partir de futuros rastreos. No elimina nada de lo recopilado antes, y cada operador usa o comparte sus datos de forma distinta, así que consulta su política.