无需 KYC —— 无需身份证、自拍、文件证明。支持加密货币支付:BTC, USDT, USDC, ETH, SOL, LTC
语言: 简体中文
开始使用

用例 · AI 数据流水线 · 多 TB

用于 AI 训练数据和大型语言模型网络语料库的代理

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。

最后更新: · 3 分钟阅读

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。

AI 数据收集:关键数字

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)

AI 训练语料库需要多少代理流量?

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)
100,0005 GB200 GB
100 万50 GB2 TB
1,000 万500 GB20 TB
1 亿5 TB200 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。

收集 AI 训练数据一定需要代理吗?

大多数情况不需要。在爬取前,请先考虑三种更便宜的来源:

  • 公开爬取数据。Common Crawl 提供 PB 级的网络存档,由其 CCBot 爬虫采集。
  • 官方数据转储和 API。维基百科、多国政府、开放数据门户及研究库均提供带清晰许可证的下载和 API。
  • 授权数据。出版商和平台日益出售或授权访问,Cloudflare 的按爬取付费使用 HTTP 402 实现爬取定价。

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。

2026 年针对 AI 数据爬虫有哪些规则?

四个层面的重要规则,涵盖技术到法律:

  1. robots.txt(RFC 9309)。 网站声明自动化客户端允许抓取路径的标准方式。每个站点解析,适用爬虫用户代理或 * 对应的分组,不得缓存超过 24 小时,符合 RFC 建议。
  2. AI 专用信号。Cloudflare 内容信号政策在 robots.txt 中增加 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。
  3. 欧盟文本和数据挖掘选择退出。根据欧盟对文本和数据挖掘的版权规定及 AI 法案第 53 条,通用 AI 模型提供者必须尊重机器可读的权利保留声明。Kneschke 诉 LAION 案(汉堡高等地区法院,2025 年 12 月 10 日)中,LAION 作为非商业研究协会依赖科研例外,法院判定 2021 年技术条件下基于自然语言的保留声明非机器可读;法院表示此情况可变,允许上诉至联邦最高法院。商业爬虫应当视用户协议中的自然语言保留声明为有效。
  4. 个人数据。欧洲数据保护委员会(EDPB)28/2024 意见认为,合法利益可作为 AI 训练的法律依据,需个案分析;法国语言数据保护局(CNIL)于 2025 年 6 月发布针对 AI 爬取的建议。

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。

如何在爬取前检查 robots.txt 和 AI 训练信号?

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。

Python:robots.txt + 内容信号检查
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"))

如何处理网页语料库中的个人数据?

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。

  • 设计时排除。跳过个人资料、人员搜索和仅限登录区域,以及以个人数据为主的站点内容。
  • 采集后过滤。在数据入训练前检测并删除邮箱、电话号码及识别码。
  • 证明法律依据。EDPB 28/2024 意见和 CNIL 2025 建议介绍了合法利益的权衡测试。
  • 尊重反对意见。确保能从未来爬取和存储数据中删除指定网站或个人。

CrawlRelay 的可接受使用政策]禁止违反适用法律收集个人数据。

AI 数据流水线如何使用代理?

  • 每次爬取一个子用户 并设置流量上限,避免失控作业耗尽套餐,且每个数据集有独立使用记录。
  • 轮换出口以保证广度。不同页面经不同住宅代理出口;分页流程时可使用粘性会话。
  • 限制单站点并发请求。每站 2至4 个请求并行,只有响应快且规模大的站点允许更多。参见并发指南]。
  • 只抓取一次。去重 URL,使用 If-Modified-Since 进行复爬,存储原始响应(如 WARC 格式),避免重复付费。
  • 明确标识爬虫。使用带联系网址的清晰用户代理,方便站点所有者联系您而非直接封禁。

用于 AI 训练数据的代理费用是多少?

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。

数据管道

100 GB

US$50

US$0.50/GB

  • ≈200 万个 HTML 页面
  • 周期性数据管道
  • 流量永不过期
选择 100 GB

语料库

500 GB

US$250

US$0.50/GB

  • ≈1,000 万个 HTML 页面
  • 多站点语料库
  • 流量永不过期
选择 500 GB

规模

1 TB

US$500

US$0.50/GB

  • ≈2,000 万个 HTML 页面
  • AI 训练语料库;购买多个以扩大规模
  • 流量永不过期
选择 1 TB

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。

AI训练数据代理:常见问题

爬取网站训练AI模型合法吗?

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。

我的AI爬虫应该使用GPTBot或CCBot的用户代理吗?

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。

我需要多少GB来爬取一百万个网页?

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。

为什么AI数据要用住宅代理而非数据中心IP?

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。

如果爬取暂停,住宅代理流量会过期吗?

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。

来源 (8)
  1. RFC 9309:机器人排除协议 — IETF (2022-09)
  2. 内容信号策略 — Cloudflare (2025-09-24)
  3. 主动式网络(爬虫流量,2026年6月) — Cloudflare (2026-09-30)
  4. 推出按爬取计费 — Cloudflare (2025-07-01)
  5. IETF AI Preferences (aipref) 工作组 — IETF (2026-09-14)
  6. 汉堡高级地区法院确认AI训练是允许的(Kneschke诉LAION案) — Bird & Bird (2025-12)
  7. 欧洲数据保护委员会(EDPB)就AI模型中的个人数据关键问题发表意见 — IAPP (2024-12-18)
  8. Web Almanac 2025:页面体积 — HTTP Archive (2026-01-15)

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