數據集建構程式
CCBot 是由 Common Crawl Foundation 營運的機械人，會將網頁爬取至數據集，而該數據集可能會被重用或與第三方共享。網頁封存資料可追溯至 2008 年。據文件記載，此機械人遵守 robots.txt，但營運者並未公布 IP 範圍清單或反向 DNS 規則，因此無法證明帶有此 user agent 的請求是否真實。
請求聲稱
"CCBot/2.0"
核對依據
未有公佈
即時檢查
CCBot 沒有營運者提供的驗證方法。此處仍會顯示該地址的真實身分。
參考資料
| User agent | CCBot/2.0 (https://commoncrawl.org/faq/) |
|---|---|
| 營運者 | Common Crawl Foundation |
| 用途 | 提供開放的爬取數據集，用途廣泛，包括機器學習及 AI。 |
| 遵守 robots.txt | 遵守來源 |
| 驗證方法 | 僅憑聲稱未有公布，僅有 user agent Common Crawl 不公佈 IP 列表，並在租用的雲端資源上運行，因此單憑地址無法證明任何事情。其存檔是不少模型的訓練資料來源，因此封鎖它會產生連帶影響。 |
| 爬取模式 | 目前每月一次。 |
| robots.txt 標記 | CCBot |
| 營運者文件 | https://commoncrawl.org/ccbot |
網頁封存資料可追溯至 2008 年。每年被數以千計的研究論文引用。
robots.txt
選擇其中一項，貼到網域根目錄。規則按標記分別設定。
User-agent: CCBot
Disallow: /User-agent: CCBot
Allow: /User-agent: CCBot
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /search請修改 Disallow 路徑，使其符合你的網址。
FAQ
CCBot 是由 Common Crawl Foundation 營運的機械人，會將網頁爬取至數據集，而該數據集可能會被重用或與第三方共享。網頁封存資料可追溯至 2008 年。據文件記載，此機械人遵守 robots.txt，但營運者並未公布 IP 範圍清單或反向 DNS 規則，因此無法證明帶有此 user agent 的請求是否真實。
是。營運者的文件說明 CCBot 會讀取 robots.txt，並遵守針對其標記的 Disallow 規則。規則會在下次擷取該檔案時生效，可能是發布後數小時或數天。
無法核實，至少無法單憑請求本身核實。Common Crawl 不公佈 IP 列表，並在租用的雲端資源上運行，因此單憑地址無法證明任何事情。其存檔是不少模型的訓練資料來源，因此封鎖它會產生連帶影響。建議改為將來源 IP 與託管及數據中心 IP 範圍比對，並對任何行為類似爬蟲的流量實施速率限制。
在 robots.txt 中為標記 CCBot加入 Disallow: /。如該爬蟲不遵守 robots.txt，請改為在 CDN 或反向代理伺服器比對 user agent，並在該處回傳 403。
封鎖 CCBot 可使你的網頁不被納入其日後爬取所建立的數據集。此舉不會刪除先前已收集的內容，而各營運者使用或共享數據的方式各有不同，請查閱其政策。