Datasetbouwers
VelenPublicWebCrawler is een bot van Velen Crawler die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. "Met deze crawler willen we zakelijke datasets en machinelearningmodellen bouwen om het web beter te begrijpen.". 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
"VelenPublicWebCrawler"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor VelenPublicWebCrawler bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | VelenPublicWebCrawlerAlleen token: match op de substring. |
|---|---|
| Beheerder | Velen Crawler |
| Doel | Scrapet data voor zakelijke datasets en machinelearningmodellen. |
| Respecteert robots.txt | Respecteertbron |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Voor deze agent is geen bestand met IP-bereiken en geen reverse-DNS-conventie gepubliceerd. De user-agent-string is het enige signaal, en elke client kan die meesturen. Zie een match daarom als een bewering en niet als bewijs. |
| Crawlpatroon | Niet gepubliceerd |
| robots.txt-tokens | VelenPublicWebCrawler |
| Documentatie van de beheerder | Niets gepubliceerd |
"Met deze crawler willen we zakelijke datasets en machinelearningmodellen bouwen om het web beter te begrijpen."
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: VelenPublicWebCrawler
Disallow: /User-agent: VelenPublicWebCrawler
Allow: /User-agent: VelenPublicWebCrawler
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je VelenPublicWebCrawler 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
VelenPublicWebCrawler is een bot van Velen Crawler die pagina's crawlt voor een dataset die mogelijk wordt hergebruikt of met derden gedeeld. "Met deze crawler willen we zakelijke datasets en machinelearningmodellen bouwen om het web beter te begrijpen.". 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 VelenPublicWebCrawler 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. Voor deze agent is geen bestand met IP-bereiken en geen reverse-DNS-conventie gepubliceerd. De user-agent-string is het enige signaal, en elke client kan die meesturen. Zie een match daarom als een bewering en niet als bewijs. 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 VelenPublicWebCrawler 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 VelenPublicWebCrawler 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.