Constructeurs de jeux de données
CCBot est un bot exploité par Common Crawl Foundation qui explore des pages pour constituer un jeu de données susceptible d'être réutilisé ou partagé avec des tiers. Archive du web remontant à 2008. Il est documenté comme respectant le fichier robots.txt, mais aucune liste de plages d'IP ni convention de DNS inverse n'est publiée. Il est donc impossible de prouver qu'une requête portant ce user agent est authentique.
La requête annonce
"CCBot/2.0"
Comparé à
Rien de publié
Vérification en direct
Aucune vérification par l'opérateur n'existe pour CCBot. Vous verrez tout de même ce qu'est réellement l'adresse.
Référence
| User agent | CCBot/2.0 (https://commoncrawl.org/faq/) |
|---|---|
| Opérateur | Common Crawl Foundation |
| Finalité | Fournit un jeu de données d'exploration ouvert, utilisé à de nombreuses fins, notamment l'apprentissage automatique et l'IA. |
| Respecte robots.txt | Respectesource |
| Méthode de vérification | Déclaration uniquementRien de publié, user agent uniquement Common Crawl ne publie aucune liste d'IP et fonctionne sur des capacités cloud louées : l'adresse seule ne prouve donc rien. Ses archives servent à l'entraînement de nombreux modèles, c'est pourquoi le bloquer a des effets en cascade. |
| Comportement d'exploration | Mensuelle actuellement. |
| Jetons robots.txt | CCBot |
| Documentation de l'opérateur | https://commoncrawl.org/ccbot |
Archive du web remontant à 2008. Citée chaque année dans des milliers d'articles de recherche.
robots.txt
Placez l'un de ces fichiers à la racine de votre domaine. Les règles s'appliquent jeton par jeton.
User-agent: CCBot
Disallow: /User-agent: CCBot
Allow: /User-agent: CCBot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchModifiez les chemins Disallow pour qu'ils correspondent à vos propres URL.
Bloquer CCBot exclut vos pages des jeux de données qu'il constituera lors de ses prochaines explorations. Cela ne supprime pas les données collectées auparavant. L'usage et le partage des données varient selon les opérateurs : consultez leur politique.
Générer un fichier pour tous les robotsFAQ
CCBot est un bot exploité par Common Crawl Foundation qui explore des pages pour constituer un jeu de données susceptible d'être réutilisé ou partagé avec des tiers. Archive du web remontant à 2008. Il est documenté comme respectant le fichier robots.txt, mais aucune liste de plages d'IP ni convention de DNS inverse n'est publiée. Il est donc impossible de prouver qu'une requête portant ce user agent est authentique.
Oui. L'opérateur indique que CCBot lit le fichier robots.txt et respecte les règles Disallow visant son propre jeton. Les règles s'appliquent lors de la prochaine récupération du fichier, ce qui peut prendre plusieurs heures ou plusieurs jours après leur publication.
Ce n'est pas possible, du moins pas à partir de la requête elle-même. Common Crawl ne publie aucune liste d'IP et fonctionne sur des capacités cloud louées : l'adresse seule ne prouve donc rien. Ses archives servent à l'entraînement de nombreux modèles, c'est pourquoi le bloquer a des effets en cascade. Comparez plutôt l'IP source aux plages d'hébergeurs et de datacenters, et limitez le débit de tout trafic qui se comporte comme un crawler.
Ajoutez le jeton CCBot au fichier robots.txt avec Disallow: /. Si le crawler ignore robots.txt, filtrez le user agent au niveau de votre CDN ou de votre proxy inverse et renvoyez une erreur 403.
Bloquer CCBot exclut vos pages des jeux de données qu'il constituera lors de ses prochaines explorations. Cela ne supprime pas les données collectées auparavant. L'usage et le partage des données varient selon les opérateurs : consultez leur politique.