Trainingscrawlers
Scrapy is een bot van Zyte die pagina's verzamelt om AI-modellen mee te trainen. "AI- en machinelearningtoepassingen hebben vaak grote hoeveelheden kwaliteitsdata nodig, en data-extractie van het web is een snelle, efficiënte manier om gestructureerde datasets op te bouwen.". 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
"Scrapy"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor Scrapy bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | ScrapyAlleen token: match op de substring. |
|---|---|
| Beheerder | Zyte |
| Doel | Scrapet gegevens voor uiteenlopende doelen, waaronder het trainen van AI. |
| Respecteert robots.txt | Geen beleid |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Scrapy is een opensourceframework, geen enkele beheerder. Dit token betekent dat iemand de standaardinstellingen heeft gebruikt; iedereen kan het aanpassen. Het zegt dus meer over de slordigheid van de beheerder dan over zijn identiteit. |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | Scrapy |
| Documentatie van de beheerder | Niets gepubliceerd |
"AI- en machinelearningtoepassingen hebben vaak grote hoeveelheden kwaliteitsdata nodig, en data-extractie van het web is een snelle, efficiënte manier om gestructureerde datasets op te bouwen."
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: Scrapy
Disallow: /User-agent: Scrapy
Allow: /User-agent: Scrapy
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je Scrapy 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
Scrapy is een bot van Zyte die pagina's verzamelt om AI-modellen mee te trainen. "AI- en machinelearningtoepassingen hebben vaak grote hoeveelheden kwaliteitsdata nodig, en data-extractie van het web is een snelle, efficiënte manier om gestructureerde datasets op te bouwen.". 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 Scrapy 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. Scrapy is een opensourceframework, geen enkele beheerder. Dit token betekent dat iemand de standaardinstellingen heeft gebruikt; iedereen kan het aanpassen. Het zegt dus meer over de slordigheid van de beheerder dan over zijn identiteit. 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 Scrapy 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 Scrapy 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.