Datasetbouwers
Diffbot is een bot die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. Diffbot is een webcrawler die website-inhoud extraheert en structureert met AI-gestuurde visuele herkenning. 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
"Diffbot"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor Diffbot bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | DiffbotAlleen token: match op de substring. |
|---|---|
| Beheerder | Diffbot |
| Doel | Datasetbouwers |
| Respecteert robots.txt | Geen beleid |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Of hij robots.txt volgt, wordt per klant ingesteld. Twee Diffbot-crawls van dezelfde site kunnen zich dus verschillend gedragen. Er is geen gepubliceerde IP-lijst. |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | Diffbot |
| Documentatie van de beheerder | Niets gepubliceerd |
Diffbot is een webcrawler die website-inhoud extraheert en structureert met AI-gestuurde visuele herkenning. Diffbot levert knowledge-graphdata voor toepassingen zoals markt…
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: Diffbot
Disallow: /User-agent: Diffbot
Allow: /User-agent: Diffbot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je Diffbot 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
Diffbot is een bot die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. Diffbot is een webcrawler die website-inhoud extraheert en structureert met AI-gestuurde visuele herkenning. 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.
Niet gedocumenteerd. Geen enkele beheerder heeft verklaard of Diffbot robots.txt leest. Voeg de regel dus toe, maar controleer in je logs of de verzoeken echt stoppen.
Dat kan niet, in elk geval niet op basis van het verzoek zelf. Of hij robots.txt volgt, wordt per klant ingesteld. Twee Diffbot-crawls van dezelfde site kunnen zich dus verschillend gedragen. Er is geen gepubliceerde IP-lijst. 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 Diffbot 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 Diffbot 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.