CCBot: ein Trainings-Crawler, den Common Crawl betreibt

CCBot ist ein Trainings-Crawler. Er sammelt Seiten für den jeweiligen Zweck (der offene Datensatz, mit dem die meisten Modelle trainiert werden). Betrieben wird er von Common Crawl.

Auf einen Blick

Betreiber
Common Crawl
robots.txt-Token
CCBot
Zweck
Training. Trainings-Crawler sammeln Seiten für künftige Modelle. Wenn Sie sie aussperren, halten Sie damit nicht die Crawler auf, die Seiten für Antworten abrufen. Diese haben eigene Namen.
Wofür er Daten liefert
der offene Datensatz, mit dem die meisten Modelle trainiert werden

Was sich durch das Blockieren ändert

Wenn Sie CCBot aussperren, werden Ihre Seiten nicht für den jeweiligen Zweck (der offene Datensatz, mit dem die meisten Modelle trainiert werden) gesammelt. Die Crawler, die Seiten für Antworten abrufen, haben eigene Namen und können Ihre Website weiterhin lesen.

User-Agent

Ein repräsentativer User-Agent (CCBot). Wir richten uns nach der Dokumentation des jeweiligen Betreibers, sofern darin die vollständige Zeichenfolge veröffentlicht ist. Versions- und Browserangaben in echten Serverprotokollen können davon abweichen.

CCBot/2.0 (https://commoncrawl.org/faq/)

robots.txt-Zeilen für CCBot

robots.txt ist eine reine Textdatei im Stammverzeichnis einer Website (yoursite.com/robots.txt). Eine Gruppe beginnt mit einer oder mehreren User-agent-Zeilen, die Crawler benennen. Darauf folgen Allow- und Disallow-Zeilen für Pfade. Ein Crawler, der in einer Gruppe namentlich genannt wird, befolgt die Gruppen mit seinem Namen und ignoriert die Gruppe für alle Crawler (User-agent: *).

Zulassen

User-agent: CCBot
Allow: /

Sperren

User-agent: CCBot
Disallow: /

Lässt Ihre Website den Crawler zu?

Die kostenlose Crawler-Prüfung liest Ihre robots.txt für CCBot und ruft Ihre Seite mit dessen User-Agent auf. So zeigt sie, ob eine robots.txt-Regel oder eine Firewall den Crawler abweist.

Prüfen Sie, ob Ihre Website CCBot zulässt

Fragen zu CCBot

CCBot ist ein Trainings-Crawler. Er sammelt Seiten für den jeweiligen Zweck (der offene Datensatz, mit dem die meisten Modelle trainiert werden). Betrieben wird er von Common Crawl.

Das entscheiden Sie. Wenn Sie den Crawler blockieren, werden Ihre Seiten nicht für den jeweiligen Zweck (der offene Datensatz, mit dem die meisten Modelle trainiert werden) gesammelt. Die Crawler, die Seiten für Antworten abrufen, bleiben davon unberührt.

Fügen Sie eine Gruppe mit diesem Namen und einer Regel für alle Pfade hinzu: „User-agent: CCBot“, gefolgt von „Disallow: /“. Wenn Sie den Crawler zulassen möchten, schreiben Sie stattdessen „Allow: /“.