CCBot: een trainingscrawler van Common Crawl

CCBot is een trainingscrawler. Hij verzamelt pagina's voor de open dataset waarop de meeste modellen worden getraind. Common Crawl beheert deze crawler.

In één oogopslag

Beheerder
Common Crawl
robots.txt-token
CCBot
Doel
Training. Trainingscrawlers verzamelen pagina's voor toekomstige modellen. Als je ze weert, kunnen crawlers die pagina's ophalen voor antwoorden je site nog steeds lezen. Die hebben eigen namen.
Waarvoor de gegevens worden gebruikt
de open dataset waarop de meeste modellen worden getraind

Wat blokkeren verandert

Als je CCBot weert, worden je pagina's niet verzameld voor de open dataset waarop de meeste modellen worden getraind. Crawlers die pagina's ophalen voor antwoorden hebben eigen namen en kunnen je site dus nog steeds lezen.

User-agent

Een representatieve useragent voor CCBot. We gebruiken de documentatie van de aanbieder als daarin een volledige string is gepubliceerd. Versies en browsergegevens in echte serverlogs kunnen afwijken.

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

robots.txt-regels voor CCBot

robots.txt is een tekstbestand in de hoofdmap van een site (yoursite.com/robots.txt). Een groep begint met één of meer User-agent-regels die crawlers benoemen, gevolgd door Allow- en Disallow-regels voor paden. Een crawler die in een groep wordt genoemd, volgt de groepen met zijn naam en negeert de groep voor alle crawlers (User-agent: *).

Toelaten

User-agent: CCBot
Allow: /

Blokkeren

User-agent: CCBot
Disallow: /

Laat jouw site deze crawler toe?

De gratis crawlercheck leest je robots.txt voor CCBot en vraagt je pagina op met de bijbehorende user-agent. Zo zie je of een robots.txt-regel of een firewall deze crawler weert.

Controleer of jouw site CCBot toelaat

Vragen over CCBot

CCBot is een trainingscrawler. Hij verzamelt pagina's voor de open dataset waarop de meeste modellen worden getraind. Common Crawl beheert deze crawler.

Dat bepaal je zelf. Als je deze crawler blokkeert, worden je pagina's niet verzameld voor de open dataset waarop de meeste modellen worden getraind. Crawlers die pagina's ophalen voor antwoorden blijven toegang houden.

Voeg een groep toe met de naam van de crawler en een regel voor alle paden: “User-agent: CCBot”, gevolgd door “Disallow: /”. Wil je de crawler toelaten, gebruik dan “Allow: /”.