AI 爬虫 · Common Crawl CCBot：Common Crawl 的爬虫
CCBot 为 Common Crawl 抓取——一份免费开放的网页副本。下面是 Common Crawl 公开的信息，每条链到出处，以及 robots.txt 规则和验证方法。
- 其他（见事实表）
- 遵守 robots.txt
- IP 列表 + 反查 DNS
CCBot 一览
Common Crawl官方公开的 CCBot 信息，每条都链到出处。需要哪条 robots.txt 规则直接复制；日志里的 IP 是不是真的 CCBot，也能在这里核对。
运营方对 CCBot 的说明
每一行都链到出处。「未公开」表示在运营方自己的文档里找不到。
| 项目 | 内容 | 出处 |
|---|---|---|
| 运营方 | Common Crawl | 出处 |
| 官方说明 | commoncrawl.org | 出处 |
| robots.txt 标记 | CCBot | 出处 |
| 用途 | 其他——见说明Common Crawl 说 CCBot 构建一份免费开放的网页副本，供研究者、企业和个人做研究与分析。 | 出处 |
| 遵守 robots.txt | 是Common Crawl 说可以用 User-agent: CCBot 和 Disallow: / 屏蔽 CCBot，并且它遵守 Crawl-delay 指令。 | 出处 |
| 官方 IP 列表 | index.commoncrawl.org/ccbot.json | 出处 |
| 验证方法 | IP 列表或反查 DNSCommon Crawl 说 CCBot 使用专用 IP 段（列在 ccbot.json），反查域名在 crawl.commoncrawl.org 下：对照 IP 列表，或反查后再正向解析回同一 IP（IPv6 暂无反查）。 | 出处 |
| 反查域名 | *.crawl.commoncrawl.org | 出处 |
| 核对日期 | — |
CCBot/2.0 (https://commoncrawl.org/faq/)运营方公布的原文。 Common Crawl 的 FAQ 还列了一个旧版 UA：CCBot/1.0。
robots.txt 规则
把其中一组加到 robots.txt 末尾。标记不区分大小写。
User-agent: CCBot
Disallow: /User-agent: CCBot
Allow: /点名 CCBot 的组会替代 User-agent: * 对它的规则。只想拦一个目录，把 / 换成目录，如 Disallow: /private/。
核对请求是不是真的 CCBot
# 第 1 步 反查：域名必须以 .crawl.commoncrawl.org 结尾
host 203.0.113.7
# 第 2 步 正查：该域名必须解析回同一个 IP
host <hostname-from-step-1>用官方列表核对 IP
打开 index.commoncrawl.org/ccbot.json，全选复制，连同日志里的 IP 一起粘贴到下面。核对在浏览器里完成。
JSON 或每行一个网段，IPv4 和 IPv6 都能识别。
粘贴一个 IP 地址开始核对。
版本 v1.0更新于 更新记录
决定怎么处理，看这四项
每个爬虫单页都是同一张表，这四行回答了大部分问题。
用途
训练、搜索，还是替用户访问。屏蔽训练爬虫，你的页面不进后续模型；屏蔽搜索爬虫，连带失去会链回你的 AI 回答。
遵守 robots.txt
「是」是运营方自己的说法。「部分」通常指用户发起的访问可能不看 robots.txt——ChatGPT-User、Perplexity-User、meta-externalfetcher 的运营方都这么说。
官方 IP 列表 / 反查 DNS
分辨真爬虫和冒充者的唯一办法。两者都没公布，UA 就只是自称。
未公开
在运营方自己的文档里找不到。我们不拿第三方列表补空——那些列表互相矛盾，也经常过时。
事实按各单页标注的日期与运营方页面核对过。运营方会改文档，以出处链接为准。
从日志里的名字到一条规则
四步，都在浏览器里完成。
-
1
找到爬虫
输入日志里看到的名字，或你想查的公司。按用途筛选，比如只看 AI 训练类。
-
2
打开单页
看运营方说它拿来做什么、是否遵守 robots.txt；复制官方 UA，和宝塔、Nginx 日志里的对照。
-
3
生成规则
在表格里勾选，选屏蔽或放行，复制或下载 robots.txt 规则组。
-
4
检查效果
用 robots.txt 测试工具测一遍；在单页上用官方 IP 列表核对请求真假。
爬虫怎么分组，robots.txt 怎么生效
目录按 TapCub 机器人规则分组。robots.txt 按 RFC 9309 匹配：爬虫只执行 User-agent 与自己标记匹配的那一组，没有这一组才退回 *。
- 有自己一组的爬虫，完全不看
User-agent: *里的规则 - 标记不区分大小写；拼错就什么也匹配不上
- 有些名字只是标记——Google-Extended、Applebot-Extended 从不来访
- 没有公开标记的代理，robots.txt 根本管不到
| 分组 | 做什么 | 屏蔽后 |
|---|---|---|
| AI 训练 | 为模型训练或数据集收集网页 | 只要它遵守 robots.txt，你今后的页面就不进这家的训练 |
| AI 答案引擎 | 为带链接的 AI 回答建索引 | 不再作为来源被引用 |
| AI Agent | 替用户打开页面 | 助手打不开你的页面——前提是它看 robots.txt |
| 搜索引擎 | 传统搜索索引 | 从这个搜索引擎消失；必应等也为 AI 回答供数 |
四份 robots.txt 对 CCBot 的效果
CCBot 只看 User-agent 与 CCBot 匹配的那一组（不区分大小写）；没有这一组，才退回 User-agent: *。
| robots.txt | CCBot 的结果 | 原因 |
|---|---|---|
User-agent: CCBot Disallow: / | 禁止 | 它自己的组禁止了整站。 |
User-agent: * Disallow: / | 禁止 | 没有自己的组，继承通配组。 |
User-agent: * Disallow: / User-agent: CCBot Allow: / | 允许 | 点名的组完全取代通配组，* 里的规则对它不再生效。 |
User-agent: CCBot Disallow: /private/ | 除 /private/ 外都允许 | 只有以 /private/ 开头的路径被禁止。 |
以上是按 RFC 9309 读规则的结果；CCBot 是否照做，以上方事实表里Common Crawl的说法为准。
AI 爬虫策略常在哪里出错
多数问题出在标记写法，或者没弄清这个爬虫到底是什么。
把公司名当标记
「OpenAI」「字节跳动」「ChatGPT」都不是标记。用目录里的准确写法——GPTBot、Bytespider、OAI-SearchBot。
连搜索爬虫一起拦
屏蔽 OAI-SearchBot、PerplexityBot 会失去能链回你的 AI 回答。按爬虫决定，不要按公司一刀切。
轻信 UA
谁都能在请求头里写「GPTBot」。没有核对 IP 或反查 DNS，请求就不算验证过。
封 IP 反而丢了退出声明
Anthropic 和 Cohere 都提醒：封它们的 IP 会让爬虫读不到 robots.txt，退出可能不稳定。
看哪些爬虫真的来过
目录告诉你爬虫自称做什么。TapCub 用五层识别、197+ 条规则把机器人和真人分开，AI 爬虫单独统计。
CCBot 是什么？
CCBot 由Common Crawl运营。Common Crawl 说 CCBot 构建一份免费开放的网页副本，供研究者、企业和个人做研究与分析。
CCBot 遵守 robots.txt 吗？
Common Crawl 说可以用 User-agent: CCBot 和 Disallow: / 屏蔽 CCBot，并且它遵守 Crawl-delay 指令。
怎么屏蔽 CCBot？
在 robots.txt 里为它单独写一组：User-agent: CCBot、Disallow: /。Common Crawl说它遵守这些规则。只想拦某个目录，把 / 换成 /目录/。
怎么确认请求真的来自 CCBot？
Common Crawl 说 CCBot 使用专用 IP 段（列在 ccbot.json），反查域名在 crawl.commoncrawl.org 下：对照 IP 列表，或反查后再正向解析回同一 IP（IPv6 暂无反查）。
Common Crawl 的数据会被用来训练 AI 吗？
Common Crawl 把存档描述为供研究与分析的免费开放网页副本，FAQ 没有谈 AI 训练。存档是开放的，已经收进去的页面别人怎么用，robots.txt 管不到。
屏蔽 CCBot 能删掉已经存档的页面吗？
robots.txt 只影响以后的抓取。Common Crawl 另外提供退出登记，可以申请加入。