Datasetbouwers
bedrockbot is een bot van Amazon die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. Maakt verbinding met en crawlt URL's die zijn geselecteerd voor gebruik in de AWS Bedrock-applicatie van een gebruiker. Volgens de documentatie respecteert hij robots.txt, maar er is geen lijst met IP-ranges of reverse DNS-conventie gepubliceerd. Je kunt dus niet bewijzen dat een verzoek met deze user agent echt is.
Verzoek meldt
"bedrockbot"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor bedrockbot bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | bedrockbotAlleen token: match op de substring. |
|---|---|
| Beheerder | Amazon |
| Doel | Datascraping voor AI-applicaties op maat. |
| Respecteert robots.txt | Respecteertbron |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Draait vanuit een AWS-klantaccount. Het bron-IP hoort dus bij degene die de Bedrock-knowledge base heeft ingesteld, niet bij AWS als crawleroperator. https://docs.aws.amazon.com/bedrock/latest/userguide/webcrawl-data-source-connector.html |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | bedrockbot |
| Documentatie van de beheerder | Niets gepubliceerd |
Maakt verbinding met en crawlt URL's die zijn geselecteerd voor gebruik in de AWS Bedrock-applicatie van een gebruiker.
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: bedrockbot
Disallow: /User-agent: bedrockbot
Allow: /User-agent: bedrockbot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je bedrockbot blokkeert, komen je pagina's niet in de datasets die hij uit toekomstige crawls samenstelt. Eerder verzamelde gegevens worden niet verwijderd, en hoe elke beheerder zijn data gebruikt of deelt verschilt. Lees daarom hun beleid.
Maak een bestand voor alle crawlersFAQ
bedrockbot is een bot van Amazon die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. Maakt verbinding met en crawlt URL's die zijn geselecteerd voor gebruik in de AWS Bedrock-applicatie van een gebruiker. Volgens de documentatie respecteert hij robots.txt, maar er is geen lijst met IP-ranges of reverse DNS-conventie gepubliceerd. Je kunt dus niet bewijzen dat een verzoek met deze user agent echt is.
Ja. De beheerder documenteert dat bedrockbot robots.txt leest en Disallow-regels voor het eigen token volgt. Regels gaan in zodra het bestand opnieuw wordt opgehaald, en dat kan uren of dagen na publicatie zijn.
Dat kan niet, in elk geval niet op basis van het verzoek zelf. Draait vanuit een AWS-klantaccount. Het bron-IP hoort dus bij degene die de Bedrock-knowledge base heeft ingesteld, niet bij AWS als crawleroperator. Vergelijk in plaats daarvan het bron-IP met hosting- en datacenterranges, en pas rate limiting toe op alles wat zich als een crawler gedraagt.
Voeg het token bedrockbot toe aan robots.txt met Disallow: /. Negeert de crawler robots.txt, filter dan op de user agent in je CDN of reverse proxy en geef daar een 403 terug.
Als je bedrockbot blokkeert, komen je pagina's niet in de datasets die hij uit toekomstige crawls samenstelt. Eerder verzamelde gegevens worden niet verwijderd, en hoe elke beheerder zijn data gebruikt of deelt verschilt. Lees daarom hun beleid.