Creadores de datasets
Crawlspace es un bot que rastrea páginas para crear un conjunto de datos que puede reutilizarse o compartirse con terceros. Crawlspace es una plataforma de rastreo web que obtiene y extrae contenido de sitios web para agentes de IA, aplicaciones RAG y flujos de trabajo con datos estructurados. 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
"Crawlspace"
Se comprueba con
Nada publicado
Comprobación en directo
No hay ninguna verificación del operador para Crawlspace. Aun así, aquí ves qué es realmente la dirección.
Referencia
| User agent | CrawlspaceSolo token: busca coincidencias con la subcadena. |
|---|---|
| Operador | Crawlspace |
| Finalidad | Creadores de datasets |
| Respeta robots.txt | Respetafuente |
| 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 | Crawlspace |
| Documentación del operador | No hay ninguna publicada |
Crawlspace es una plataforma de rastreo web que obtiene y extrae contenido de sitios web para agentes de IA, aplicaciones RAG y flujos de trabajo con datos estructurados.
robots.txt
Pega una en la raíz de tu dominio. Las reglas se aplican por token.
User-agent: Crawlspace
Disallow: /User-agent: Crawlspace
Allow: /User-agent: Crawlspace
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchCambia las rutas de Disallow para que coincidan con tus URLs.
Bloquear Crawlspace 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
Crawlspace es un bot que rastrea páginas para crear un conjunto de datos que puede reutilizarse o compartirse con terceros. Crawlspace es una plataforma de rastreo web que obtiene y extrae contenido de sitios web para agentes de IA, aplicaciones RAG y flujos de trabajo con datos estructurados. 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 Crawlspace 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. 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 el token Crawlspace 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 Crawlspace 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.