Crawlers de entrenamiento
ICC-Crawler es un bot operado por NICT que recopila páginas para entrenar modelos de IA. Usar los datos recopilados para tecnologías de inteligencia artificial; proporcionar datos a terceros, incluidas empresas comerciales; esas empresas pueden usar los datos para su propio negocio. 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
"ICC-Crawler"
Se comprueba con
Nada publicado
Comprobación en directo
No hay ninguna verificación del operador para ICC-Crawler. Aun así, aquí ves qué es realmente la dirección.
Referencia
| User agent | ICC-CrawlerSolo token: busca coincidencias con la subcadena. |
|---|---|
| Operador | NICT |
| Finalidad | Extrae datos para entrenar y dar soporte a tecnologías de IA. |
| Respeta robots.txt | Respeta |
| 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 | ICC-Crawler |
| Documentación del operador | No hay ninguna publicada |
Usar los datos recopilados para tecnologías de inteligencia artificial; proporcionar datos a terceros, incluidas empresas comerciales; esas empresas pueden usar los datos para su propio negocio.
robots.txt
Pega una en la raíz de tu dominio. Las reglas se aplican por token.
User-agent: ICC-Crawler
Disallow: /User-agent: ICC-Crawler
Allow: /User-agent: ICC-Crawler
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchCambia las rutas de Disallow para que coincidan con tus URLs.
Bloquear ICC-Crawler deja tus páginas fuera del próximo entrenamiento. No elimina nada de lo ya recopilado y no afecta al posicionamiento del sitio en la búsqueda normal.
Crea un archivo para todos los rastreadoresFAQ
ICC-Crawler es un bot operado por NICT que recopila páginas para entrenar modelos de IA. Usar los datos recopilados para tecnologías de inteligencia artificial; proporcionar datos a terceros, incluidas empresas comerciales; esas empresas pueden usar los datos para su propio negocio. 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 ICC-Crawler 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 ICC-Crawler 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 ICC-Crawler deja tus páginas fuera del próximo entrenamiento. No elimina nada de lo ya recopilado y no afecta al posicionamiento del sitio en la búsqueda normal.