Hi there, I wanted to report some aggressive crawling by the bot with the user agent
Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/600.2.5 (KHTML, like Gecko) Version/8.0.2 Safari/600.2.5 (Amazonbot/0.1; +https://developer.amazon.com/support/amazonbot)
It seems to be a bot by amazon but I couldn’t check the originating IP addresses to confirm that.
This is what the last 5 days look like:
For comparison, this our user agents table for the last two days. 39649 vs 457
I personally don’t care too much about this as we’re not the ones doing the hosting and we haven’t noticed performance issues but CDCK is. So I figured this could be interesting to share here.
From our site and container logs it appears that there was a spike only that particular day and only on that site
May 1st:
Client IP
Amazonbot*
107.23.182.118
3,560
54.90.49.0
3,210
35.175.129.27
3,204
3.80.18.217
2,646
35.153.79.214
2,529
34.201.164.175
2,432
107.21.55.67
1,959
34.204.61.165
1,538
18.208.120.81
1,473
100.25.191.160
1,276
* Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/600.2.5 (KHTML, like Gecko) Version/8.0.2 Safari/600.2.5 (Amazonbot/0.1; +https://developer.amazon.com/support/amazonbot)
I see. Thanks for checking it. Probably a technical user, having a bad day and making a trashy bot to target our website with no effect. We’ve since blocked that crawler.
Dado que yo mismo acabo de ser afectado por algo así…
Estoy muy contento de que Alexa pueda usar el contenido de mi sitio para responder preguntas, así que realmente no quiero bloquearlo. Sin embargo, acabo de ver un pico de tres días de tráfico intenso de AmazonBot (en relación con todo el uso del sitio, incluidos todos los demás bots combinados, así como todo el tráfico general del sitio), y veo que Amazon dice:
AmazonBot no admite la directiva crawl-delay en robots.txt
Por lo tanto, parece prudente agregar Amazonbot a slow_down_crawler_user_agents para que no tengan un impacto desproporcionado en el rendimiento del sitio para los usuarios.
Gracias, gente de Discourse, por implementar una funcionalidad que los rastreadores deberían tener, pero que en este caso no tienen.
