Creadores de datasets
CCBot es un bot operado por Common Crawl Foundation que rastrea páginas para crear un conjunto de datos que puede reutilizarse o compartirse con terceros. Archivo web con datos desde 2008. Está documentado que respeta robots.txt, pero 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.
La solicitud dice
"CCBot/2.0"
Se comprueba con
Nada publicado
Comprobación en directo
No hay ninguna verificación del operador para CCBot. Aun así, aquí ves qué es realmente la dirección.
Referencia
| User agent | CCBot/2.0 (https://commoncrawl.org/faq/) |
|---|---|
| Operador | Common Crawl Foundation |
| Finalidad | Proporciona un conjunto de datos de rastreo abierto, usado para muchos fines, incluidos el aprendizaje automático y la IA. |
| Respeta robots.txt | Respetafuente |
| Método de verificación | Solo declaradoNada publicado, solo user agent Common Crawl no publica ninguna lista de IP y funciona desde capacidad de nube alquilada, así que la dirección por sí sola no demuestra nada. Su archivo es una fuente de entrenamiento para muchos modelos, por eso bloquearlo tiene efectos colaterales. |
| Patrón de rastreo | Mensual por ahora. |
| Tokens de robots.txt | CCBot |
| Documentación del operador | https://commoncrawl.org/ccbot |
Archivo web con datos desde 2008. Se cita en miles de artículos de investigación cada año.
robots.txt
Pega una en la raíz de tu dominio. Las reglas se aplican por token.
User-agent: CCBot
Disallow: /User-agent: CCBot
Allow: /User-agent: CCBot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchCambia las rutas de Disallow para que coincidan con tus URLs.
Bloquear CCBot 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
CCBot es un bot operado por Common Crawl Foundation que rastrea páginas para crear un conjunto de datos que puede reutilizarse o compartirse con terceros. Archivo web con datos desde 2008. Está documentado que respeta robots.txt, pero 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.
Sí. El operador documenta que CCBot lee robots.txt y respeta las reglas Disallow de su propio token. Las reglas se aplican la próxima vez que descarga el archivo, lo que puede ocurrir horas o días después de publicarlas.
No puedes, al menos no a partir de la propia solicitud. Common Crawl no publica ninguna lista de IP y funciona desde capacidad de nube alquilada, así que la dirección por sí sola no demuestra nada. Su archivo es una fuente de entrenamiento para muchos modelos, por eso bloquearlo tiene efectos colaterales. 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 el token CCBot 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 CCBot 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.