Discutons et de rien :)

  • Œil@jlai.luFrançais
    5·
    2 days ago

    J’ai demandé à chatgpt via duck.ai de me rappeler la formule wget pour télécharger tous les documents pdf proposés sur une page internet.

    Il m’a proposé ça :

    C’est normal la commande pour ignorer robots.txt ?

    Ps : je trouve ça dingue déjà

    1. qu’il le propose
    2. et en plus par défaut (je ne lui avais aucunement spécifié que les documents concernés étaient visés par le fichier robot.txt ; ce n’était d’ailleurs pas le cas)
    • troglodyte_mignon@lemmy.worldFrançais
      2·
      1 day ago

      Assurez-vous d’avoir l’autorisation de télécharger le contenu de la page web en question.

      Je ne m’y connais pas du tout, mais n’est-ce pas contradictoire avec le fait d’ignorer robots.txt ?

      • Œil@jlai.luFrançais
        3·
        1 day ago

        Pareil que toi, mais ça me semble bien contradictoire. Si je dis pas de bêtises, le document robots.txt est un document non contraignant, c’est plutôt une convention.

        Le protocole d’exclusion des robots, plus connu sous le nom de robots.txt, est une convention visant à empêcher les robots d’exploration (web crawlers) d’accéder à tout ou une partie d’un site web.

        Les robots peuvent ignorer votre fichier robots.txt, en particulier les robots malveillants qui crawlent les sites à la recherches de vulnérabilités ou d’adresses email

        Le fichier robots.txt est un fichier accessible au public, ce qui signifie que n’importe qui peut voir ce que vous souhaitez ne pas faire indexer par les moteurs

        https://robots-txt.com/

        Ah voilà, j’ai retrouvé le post d’@[email protected] (coucou!) à ce sujet : https://jlai.lu/post/16807807

        According to Drew, LLM crawlers don’t respect robots.txt requirements and include expensive endpoints like git blame, every page of every git log, and every commit in your repository. They do so using random User-Agents from tens of thousands of IP addresses, each one making no more than one HTTP request, trying to blend in with user traffic.