最佳价格
爬取
50 GB
US$25
US$0.50/GB
- ≈100 万个 HTML 页面
- 目录和列表爬取
- 流量永不过期
用例 · AI 数据流水线 · 多 TB
采集模型的公开网络数据现已成为受监管、量化且具争议的活动。本页涵盖流量计算、2026 年的选择退出规则及尊重这些规则的爬虫模式。
快速回答
大规模收集 AI 训练数据用什么代理最好?
对于多 TB 级的公开网络语料库,使用按 GB 计费且流量永不过期的轮换住宅代理,以及尊重 robots.txt 和 AI 选择退出的爬虫。CrawlRelay 于 2026 年 10 月起销售住宅代理流量,US$0.50/GB 档从 50 GB 到 1 TB;约 50 GB 可覆盖一百万个 HTML 页面。支持加密货币支付,无需 KYC。
| CrawlRelay 大宗价格 | US$0.50/GB 介于 50 GB 至 1 TB;流量永不过期 |
|---|---|
| 仅 HTML 页面 | 压缩后几十 KB;中位 HTML 22–35 KB(HTTP Archive Web Almanac 2025) |
| 完整渲染页面 | 手机端中位数 2,164 KB,桌面端 2,412 KB(同一来源) |
| 一百万 HTML 页面 | 约需 30–60 GB 代理流量 |
| AI 训练中的爬虫流量 | 2025 春季爬虫请求占比 22%,2026 年 6 月为 52%(Cloudflare) |
| 爬取规则规范 | robots.txt,RFC 9309(2022) |
只抓取 HTML 和文本,不渲染页面,可保持流量可控。每个压缩 HTML 页面约 50 KB:
| 页面数 | 仅 HTML(≈50 KB) | 渲染后(≈2 MB) |
|---|---|---|
| 100,000 | 5 GB | 200 GB |
| 100 万 | 50 GB | 2 TB |
| 1,000 万 | 500 GB | 20 TB |
| 1 亿 | 5 TB | 200 TB |
无头浏览器会使流量放大约四十倍,所以只渲染需要 JavaScript 处理文本的页面。在 CrawlRelay,100 万个 HTML 页面可纳入 50 GB 套餐(US$25);1000 万可纳入 500 GB(US$250)。建议先用 1000 个真实页面测算平均值;带宽指南] 讲解方法。
大多数情况不需要。在爬取前,请先考虑三种更便宜的来源:
代理的价值在于其他部分:未收录于公开爬取的新鲜公开页面、不同国家/城市变化的内容以及按区域显示不同版本的网站。住宅代理出口让您能采集本地访问者所见内容。
四个层面的重要规则,涵盖技术到法律:
* 对应的分组,不得缓存超过 24 小时,符合 RFC 建议。ai-train、ai-input 和 search 值;超过 380 万域名使用 Cloudflare 托管 robots.txt。IETF aipref 工作组正制定标准词汇表,2026 年 10 月仍未达成共识。这不是法律建议。请参考我们的2026 年网络爬取法律综述],并请为您的项目寻求律师咨询。
在排入任意站点 URL 前先检查。以下函数通过代理抓取 robots.txt,遵循 RFC 9309 对缺失(4xx)和无法访问(5xx)文件的处理规则,并读取 Cloudflare 风格的 Content-Signal 行。设计上简化:对文件中任何 ai-train=no 都应用于您的爬虫。
import urllib.robotparser
from urllib.parse import urlsplit
import requests
PROXY = "http://USERNAME:[email protected]:7777"
PROXIES = {"http": PROXY, "https": PROXY}
USER_AGENT = "ExampleDataBot/1.0 (+https://example.com/bot)"
_rules = {}
def site_rules(url):
"""Robots rules and Content-Signal values for the site of url (cache them for 24 h at most)."""
scheme, host = urlsplit(url)[:2]
root = "%s://%s" % (scheme, host)
if root not in _rules:
try:
r = requests.get(root + "/robots.txt", proxies=PROXIES, timeout=(10, 30),
headers={"User-Agent": USER_AGENT})
status, text = r.status_code, r.text
except requests.RequestException:
status, text = 599, ""
if 400 <= status < 500:
lines = [] # RFC 9309: unavailable, crawling allowed
elif status >= 500:
lines = ["User-agent: *", "Disallow: /"] # unreachable: assume complete disallow
else:
lines = text.splitlines()
parser = urllib.robotparser.RobotFileParser()
parser.parse(lines)
signals = {}
for line in lines:
if line.lower().startswith("content-signal:"):
for part in line.split(":", 1)[1].split(","):
key, _, value = part.strip().partition("=")
signals[key.strip().lower()] = value.strip().lower()
_rules[root] = (parser, signals)
return _rules[root]
def may_collect_for_training(url):
parser, signals = site_rules(url)
return parser.can_fetch(USER_AGENT, url) and signals.get("ai-train") != "no"
print(may_collect_for_training("https://example.com/some/page"))少量采集,更多去除。根据 GDPR 及类似法规,公开不等于免费使用:姓名、邮箱、电话号码和个人资料页无处不在,均属个人数据。
CrawlRelay 的可接受使用政策]禁止违反适用法律收集个人数据。
If-Modified-Since 进行复爬,存储原始响应(如 WARC 格式),避免重复付费。从 50 GB 到 1 TB,CrawlRelay 住宅代理流量费用为 US$0.50/GB,截至2026年10月,且永不过期。对于多TB规模的语料库,可按相同费率购买多个 1 TB 计划。
最佳价格
50 GB
US$25
US$0.50/GB
100 GB
US$50
US$0.50/GB
500 GB
US$250
US$0.50/GB
1 TB
US$500
US$0.50/GB
每个计划包含: 协议: HTTP、HTTPS、SOCKS5 · 定位方式: 国家、城市;美国州和邮编;ASN · 会话类型: 轮换,或最长 30 分钟粘性 · 流量有效期: 流量永不过期
价格以美元计,截止2026-10-13。
这取决于所在国家、内容类型和采集方式,截至2026年10月仍有多个案例悬而未决。在欧盟,文本和数据挖掘的例外适用,除非权利方使用机器可读方式保留权利。个人数据需要合法依据。此非法律建议;详见我们的2026年概览。
不应该。那些名称属于OpenAI和Common Crawl,网站据此决定这些特定爬虫可以抓取什么内容。请使用带联系URL的自定义用户代理,并遵守匹配该代理或*组的robots.txt规则。冒充其他爬虫违反大多数网站条款及我们的可接受使用政策。
仅压缩HTML约需30到60 GB,若在浏览器中渲染每个页面及图片,约需2 TB。在CrawlRelay,50 GB费用为US$25。购买前先测量1,000个真实页面,因网页大小因站点差异大。
部分网站按访问者地区展示不同内容,住宅出口IP访问的是本地访客看到的公开版本。如果网站屏蔽托管段以排除自动流量,住宅IP并不意味着授权访问。对于欢迎爬虫或提供数据包和API的网站,甚至可能不需要代理;仅在住宅流量改变结果时使用。
不会。预付住宅代理与轮换移动代理流量永不过期:未使用的流量留存在账户,随时可用。暂停数周的管道将保留剩余流量,适合需要间歇爬取的训练任务。
基于永不过期流量构建语料库
US$0.50/GB 从 50 GB 到 1 TB。
从 US$0.50/GB 开始 · 无需 KYC
开始使用