Trainingscrawlers
Bytespider is een bot van ByteDance die pagina's verzamelt om AI-modellen mee te trainen. Downloadt data om LLM's te trainen, waaronder concurrenten van ChatGPT. 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, en een regel in robots.txt alleen houdt een vervalsing niet tegen.
Verzoek meldt
"Bytespider"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor Bytespider bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | BytespiderAlleen token: match op de substring. |
|---|---|
| Beheerder | ByteDance |
| Doel | Training van LLM's. |
| Respecteert robots.txt | Negeert |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent ByteDance publiceert geen IP-ranges en geen reverse-DNS-conventie voor Bytespider. Volgens veel meldingen crawlt Bytespider agressief vanaf adressen die niet naar ByteDance terugverwijzen. Rate limiting is betrouwbaarder dan een regel in robots.txt. |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | Bytespider |
| Documentatie van de beheerder | Niets gepubliceerd |
Downloadt data om LLM's te trainen, waaronder concurrenten van ChatGPT.
Bytespider wordt beheerd door ByteDance. De cloud van ByteDance, BytePlus, is een van de netwerken achter het verkeer uit Singapore dat veel sites in hun analytics zien. Botverkeer uit China en Singapore scheidt de cloudbots van echte bezoekers.
robots.txt
Volgens de documentatie negeert Bytespider robots.txt. Dwing een blokkade ook af via je CDN.
User-agent: Bytespider
Disallow: /User-agent: Bytespider
Allow: /User-agent: Bytespider
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je Bytespider blokkeert, worden je pagina's niet gebruikt in de volgende trainingsronde. Wat al verzameld is, wordt niet verwijderd, en het heeft geen invloed op je posities in gewone zoekmachines.
Maak een bestand voor alle crawlersFAQ
Bytespider is een bot van ByteDance die pagina's verzamelt om AI-modellen mee te trainen. Downloadt data om LLM's te trainen, waaronder concurrenten van ChatGPT. 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, en een regel in robots.txt alleen houdt een vervalsing niet tegen.
Meldingen van site-eigenaren wijzen erop dat Bytespider robots.txt niet betrouwbaar volgt. Voeg de regel toch toe en controleer daarna je logs. Komen er nog steeds verzoeken binnen, blokkeer dan aan de rand van je netwerk op user agent of bronadres.
Dat kan niet, in elk geval niet op basis van het verzoek zelf. ByteDance publiceert geen IP-ranges en geen reverse-DNS-conventie voor Bytespider. Volgens veel meldingen crawlt Bytespider agressief vanaf adressen die niet naar ByteDance terugverwijzen. Rate limiting is betrouwbaarder dan een regel in robots.txt. 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 Bytespider 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 Bytespider blokkeert, worden je pagina's niet gebruikt in de volgende trainingsronde. Wat al verzameld is, wordt niet verwijderd, en het heeft geen invloed op je posities in gewone zoekmachines.