Datasetbouwers
CCBot is een bot van Common Crawl Foundation die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. Webarchief dat teruggaat tot 2008. 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
"CCBot/2.0"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor CCBot bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | CCBot/2.0 (https://commoncrawl.org/faq/) |
|---|---|
| Beheerder | Common Crawl Foundation |
| Doel | Stelt een open crawldataset beschikbaar die voor veel doeleinden wordt gebruikt, waaronder machine learning en AI. |
| Respecteert robots.txt | Respecteertbron |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Common Crawl publiceert geen IP-lijst en draait op gehuurde cloudcapaciteit, dus het adres alleen bewijst niets. Het archief dient als trainingsdata voor veel modellen. Daarom heeft blokkeren gevolgen verderop in de keten. |
| Crawlpatroon | Op dit moment maandelijks. |
| robots.txt-tokens | CCBot |
| Documentatie van de beheerder | https://commoncrawl.org/ccbot |
Webarchief dat teruggaat tot 2008. Wordt jaarlijks in duizenden onderzoekspublicaties geciteerd.
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: CCBot
Disallow: /User-agent: CCBot
Allow: /User-agent: CCBot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je CCBot 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
CCBot is een bot van Common Crawl Foundation die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. Webarchief dat teruggaat tot 2008. 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 CCBot 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. Common Crawl publiceert geen IP-lijst en draait op gehuurde cloudcapaciteit, dus het adres alleen bewijst niets. Het archief dient als trainingsdata voor veel modellen. Daarom heeft blokkeren gevolgen verderop in de keten. 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 CCBot 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 CCBot 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.