Datasetbouwers
omgili is een bot van Webz.io die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. omgili crawlt sites voor Webz.io, dat webdatafeeds levert die worden gebruikt door monitoring- en analysebedrijven en in licentie worden gegeven voor toepassingen die onder meer onderzoek en LLM-training kunnen omvatten. 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
"omgili"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor omgili bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | omgiliAlleen token: match op de substring. |
|---|---|
| Beheerder | Webz.io |
| Doel | Webdatafeeds die in licentie aan klanten worden geleverd. |
| Respecteert robots.txt | Respecteertbron |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Webz.io biedt de resultaten van zijn crawls aan als gelicentieerde datafeeds. Als je de crawler blokkeert, beperk je dus het toekomstige verzamelen van je pagina's. Er is geen gepubliceerde lijst met adressen. https://webz.io/blog/web-data/what-is-the-omgili-bot-and-why-is-it-crawling-your-website/ |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | omgiliomgilibot |
| Documentatie van de beheerder | Niets gepubliceerd |
omgili crawlt sites voor Webz.io, dat webdatafeeds levert die worden gebruikt door monitoring- en analysebedrijven en in licentie worden gegeven voor toepassingen die onder meer onderzoek en LLM-training kunnen omvatten.
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: omgili
User-agent: omgilibot
Disallow: /User-agent: omgili
User-agent: omgilibot
Allow: /User-agent: omgili
User-agent: omgilibot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je omgili 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
omgili is een bot van Webz.io die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. omgili crawlt sites voor Webz.io, dat webdatafeeds levert die worden gebruikt door monitoring- en analysebedrijven en in licentie worden gegeven voor toepassingen die onder meer onderzoek en LLM-training kunnen omvatten. 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 omgili 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. Webz.io biedt de resultaten van zijn crawls aan als gelicentieerde datafeeds. Als je de crawler blokkeert, beperk je dus het toekomstige verzamelen van je pagina's. Er is geen gepubliceerde lijst met adressen. 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 deze user-agent-tokens (omgili, omgilibot) 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 omgili 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.