A maioria dos clubes descobre a raspagem de dados do mesmo jeito: o endereço da secretaria, que existe em exatamente um lugar na internet, começa a receber spam muito específico.
Ofertas de fornecedores de uniforme. Propostas para criar o site que vocês já têm. Às vezes coisa pior: uma mensagem que cita o seu clube, o seu presidente e o seu banco, e pede ao tesoureiro que altere alguns dados de pagamento.
Nada disso exige uma invasão. Exige um programa que lê as suas páginas públicas e anota o que encontra, algo que acontece o tempo todo com todo site que tem um endereço, e que você não vai conseguir impedir.
Este guia trata da versão do problema sobre a qual você realmente pode fazer alguma coisa. Ele começa pelo limite honesto, porque todos os conselhos abaixo decorrem dele.
O que é raspagem de dados, na prática
Raspagem de dados é a cópia automatizada de páginas que já são públicas. Um programa pede as suas páginas do mesmo jeito que o navegador de um visitante, lê o texto e as imagens que voltam e guarda o que mandaram procurar: endereços de e-mail, nomes, telefones, preços, datas, fotos.
Vale deixar claro que isso não é uma invasão. Nada é contornado. Um raspador vê exatamente o que um visitante anônimo vê, e nada que um visitante não consiga ver. Isso é ao mesmo tempo tranquilizador e o problema inteiro: o limite do que pode ser raspado é o limite do que você publicou.
Muita raspagem é totalmente inofensiva, e você depende dela. Os mecanismos de busca são raspadores. O serviço que gera a prévia de um link quando alguém compartilha a sua página de jogos num grupo de conversa também. A distinção que importa não é automatizado versus humano, é o que quem coleta faz com o que leva.
Por que os sites de clubes são coletados em especial
Sites de clubes comunitários são especialmente atraentes para coletores, por motivos que não têm nada a ver com o seu clube ser importante.
- E-mails da diretoria em texto simples. Uma página que lista o presidente, o secretário e o tesoureiro com seus endereços é uma lista de contatos pronta para vendas não solicitadas, e uma lista de alvos pronta para o tipo de fraude em que alguém se passa por um diretor para enganar o tesoureiro.
- Nomes reais ligados a funções reais. O suficiente para uma abordagem convincente. "Oi, é o presidente, estou no campo e não consigo chegar a um computador" é um golpe muito melhor quando quem manda conhece os dois nomes.
- Listas das equipes de base. Nomes, faixas etárias, horários de treino e um local. Essa é a categoria que deveria deixar uma diretoria realmente desconfortável, e muitas vezes é publicada sem que ninguém tenha decidido isso.
- Contatos de patrocinadores e fornecedores, coletados por quem vende para o mesmo mercado.
- Dados de locais, jogos e eventos, coletados por sites agregadores que republicam a programação do esporte local, às vezes com as suas fotos junto.
- Fotografias, levadas para fazendas de conteúdo e reutilização como banco de imagens, de vez em quando com a legenda que dá o nome da criança na foto.
- Textos para treinamento e reutilização, por robôs de grande escala que reúnem textos publicados em volume.
Repare em quanto dessa lista são dados de pessoas, e não dados do clube. Ninguém está raspando a tabela de preços da cantina para prejudicar vocês.
O limite honesto
Esta é a parte que a maioria dos conselhos evita dizer com clareza.
Não é possível impedir a cópia em massa de uma página pública sem impedir também que os mecanismos de busca a leiam. É o mesmo pedido. Uma ferramenta que bloqueia de forma confiável o coletor também bloqueia o robô que coloca você na página de resultados quando um pai ou uma mãe pesquisa inscrições para as categorias de base. Qualquer que seja a proteção que você acrescente, um coletor determinado pode visitar o seu site com um navegador comum, parecer uma pessoa e levar tudo.
Isso significa que "parar a raspagem" não é uma meta alcançável, e qualquer produto que prometa isso está exagerando. As duas metas que são alcançáveis:
- Reduzir o valor do que pode ser levado, publicando menos informações pessoais, para começar.
- Perceber quando houve coleta, para poder agir sobre as consequências em vez de ser pego de surpresa por elas.
Tudo o que vem abaixo serve a uma dessas duas.
Publique menos sobre as pessoas
Esse é o jogo inteiro, e não custa nada além de uma decisão.
Nomes, principalmente de crianças
Pergunte, sobre cada nome publicado: um estranho precisa disso? Uma legenda de foto de equipe com o nome de cada jogador sub-11, uma tabela de resultados com nomes completos, um post de "boas-vindas aos novos sócios da base": cada um é uma decisão, e quase sempre ninguém a tomou de propósito.
Padrões razoáveis a que muitos clubes chegam: primeiro nome e inicial do sobrenome para crianças, nada de sobrenomes ao lado de horários de treino e local, nenhuma data de nascimento e fotografias publicadas de acordo com uma política de imagem e consentimento que as famílias de fato conheçam. Nada disso impede um pai ou uma mãe de encontrar a equipe do filho. Tudo isso tira o que um coletor quer.
Endereços de contato
Publique endereços de função, não pessoais. secretary@yourclub.org pode ser repassado na troca de diretoria, filtrado quando atrai spam e abandonado sem afetar o e-mail pessoal de ninguém. O endereço particular de um voluntário, depois de coletado, o persegue por anos depois que ele sai da diretoria. O nosso guia de e-mails para clubes mostra como configurá-los.
Melhor ainda, coloque um formulário de contato no lugar do endereço, para que nada seja publicado. Um formulário não é à prova de raspagem (nada é), mas não há endereço na página para coletar.
Tudo o que não precisa ser público
Diretórios de sócios, listas de contatos, atas de reunião com dados pessoais, informações médicas ou de emergência e situação de pagamento devem ficar atrás de um login. Conteúdo protegido por autenticação fica realmente fora do alcance da raspagem comum, e esse é o único controle técnico que funciona de verdade. Funciona justamente porque deixa de ser publicação.
O que as medidas técnicas realmente fazem
Encare cada uma delas com lucidez, porque elas são vendidas com exagero o tempo todo.
robots.txt. Um pedido educado, não um controle. Robôs bem-comportados o respeitam, incluindo vários dos coletores de grande escala, que publicam os nomes que seus robôs usam para que você possa excluí-los. Coletores mal-intencionados o ignoram por completo. Útil para gerenciar os robôs que cooperam; inútil como proteção contra os que não cooperam. Ele também é público, então nunca liste caminhos "secretos" nele.- Disfarçar endereços de e-mail. Separar um endereço em partes ou mostrá-lo como imagem derrota os coletores mais toscos e mais nenhum. Também dificulta o contato de quem você quer ouvir, incluindo quem usa um leitor de tela. Use um endereço de função ou um formulário.
- Bloquear o botão direito ou desativar a seleção de texto. Puro teatro. Irrita os sócios e não detém software nenhum.
- Limite de requisições e filtragem de robôs. Aumenta de verdade o custo de uma coleta rápida em massa e vale a pena ter onde a sua plataforma oferece. Um coletor paciente que espalha os pedidos ao longo de dias passa direto por ele.
- Termos de uso que proíbem a raspagem. Nenhum efeito técnico, mas vale publicar: deixa claro que a cópia não é autorizada, o que importa se um dia você precisar fazer uma reclamação.
- Marca-d'água nas fotografias. Não impede a cópia. Permite rastrear uma cópia, o que às vezes é tudo de que você precisa.
Como saber se isso está acontecendo
Você raramente vai pegar um raspador em flagrante. Você pega as consequências.
- Plante um endereço-isca. Crie um apelido de e-mail único, usado em exatamente um lugar (uma página do seu site público) e em nenhum outro. Se começarem a chegar mensagens nele, você sabe exatamente onde o remetente o conseguiu. É a coisa mais reveladora desta lista, e leva cinco minutos.
- Pesquise as suas próprias frases. Pegue uma frase característica de uma página incomum e pesquise-a entre aspas. Cópias republicadas de conteúdo de clubes aparecem com uma frequência surpreendente.
- Faça uma pesquisa reversa de imagem com uma foto do clube, principalmente uma que foi muito compartilhada.
- Leia os relatórios de tráfego pelo formato, não pelo volume. Coletas em massa têm um formato estranho: centenas de páginas em poucos minutos, nenhuma imagem carregada, um horário esquisito, uma única origem, um padrão de visita que nenhuma pessoa produziria.
- Observe o que chega aos endereços de função. O endereço que só aparece na página da diretoria começar a receber, de repente, propostas comerciais do setor mostra que a página foi coletada.
- Pergunte aos sócios. As pessoas notam o próprio nome em lugares estranhos muito antes da diretoria.
Quando você encontra o seu conteúdo em outro lugar
Separe os dois casos, porque eles pedem ações diferentes.
O seu conteúdo, republicado. Irritante e, às vezes, prejudicial à sua posição nas buscas. Peça ao site que o remova e, se não der certo, reclame com quem o hospeda; os mecanismos de busca também aceitam denúncias de material copiado. Guarde um registro datado do que você encontrou.
Os dados pessoais dos seus sócios, republicados. Isso não é uma disputa de conteúdo, é uma questão de privacidade, e deve ser tratada com seriedade, não com um dar de ombros. Escreva um pedido de remoção citando as informações específicas, guarde o registro e saiba que a lei de proteção de dados do lugar onde o seu clube atua pode dar às pessoas envolvidas direitos que você pode ajudá-las a exercer. Se houver informações de crianças, avise as famílias antes que elas descubram sozinhas e peça orientação à sua entidade dirigente.
Tentativas de fraude. Se uma lista coletada da diretoria estiver sendo usada para se passar pelos seus dirigentes, avise a diretoria imediatamente, crie a regra de que mudanças nos dados de pagamento são sempre confirmadas por telefone e denuncie à autoridade competente da sua região.
Diga aos seus sócios o que vai ser público
Essa é a obrigação que sobrevive à discussão técnica. As pessoas dão os seus dados a um clube para serem sócias, não para serem publicadas. Diga com clareza, no formulário de adesão e na sua política de privacidade, o que aparece em público (nomes nas listas das equipes, fotografias, resultados) e ofereça um jeito simples de pedir que algo não seja publicado. Um clube que consegue responder "por que o nome do meu filho está na internet?" com uma política que o pai ou a mãe já aceitou está numa posição completamente diferente de um que não consegue.
Como fazer isso no ClubHelix
Os controles úteis são os sem graça. Os cadastros dos sócios ficam protegidos por autenticação em vez de numa página, funções e permissões definem quais voluntários podem ver dados pessoais, o diretório de sócios pode ser só para sócios ou público por escolha deliberada, e não por padrão, o contato passa por um formulário em vez de um endereço publicado, e o registro de auditoria guarda quem alterou o quê. As conversas entre sócios acontecem no chat de sócios, e não em páginas públicas.
O que não vamos afirmar: nenhuma plataforma consegue impedir que as suas páginas públicas sejam copiadas, incluindo a nossa. O que uma plataforma pode fazer é tornar as coisas privadas realmente privadas por padrão, para que o que se copia sejam os seus jogos e as suas notícias, e não as suas pessoas.
Se você quiser ajuda para revisar o que o seu site atual publica sobre os sócios, o nosso serviço feito por nós inclui essa revisão como parte de uma migração. Se não, comece grátis e defina esse limite de propósito desde o primeiro dia.
Perguntas frequentes
Dá para bloquear raspadores no site do nosso clube?
Não de forma confiável, e não sem bloquear também os mecanismos de busca que trazem sócios para vocês. Tudo o que um visitante consegue ver, um coletor determinado consegue levar. Trate a prevenção como impossível e concentre o esforço em publicar menos informações pessoais e em detectar a coleta quando ela acontecer.
O robots.txt protege os dados dos nossos sócios?
Não. É um pedido que os robôs cooperativos respeitam e os coletores ignoram. É útil para gerenciar robôs bem-comportados, incluindo vários coletores de grande escala que publicam os nomes dos seus robôs. Não dá proteção nenhuma a qualquer coisa que você ficaria chateado de perder.
Devemos publicar os e-mails dos membros da diretoria?
Publique endereços de função, como secretary@yourclub.org, ou um formulário de contato, em vez do endereço pessoal de alguém. Endereços de função podem ser repassados na troca de diretoria e abandonados se atraírem spam; o endereço pessoal de um voluntário, depois de coletado, o persegue muito tempo depois que ele sai.
É seguro publicar as listas das equipes de base?
Publique o mínimo que a finalidade exige. Primeiro nome e inicial do sobrenome bastam para um pai ou uma mãe encontrar o filho, e são bem menos úteis para qualquer outra pessoa. Evite publicar nomes completos junto com idades, horários de treino e um local no mesmo lugar, e garanta que as famílias saibam antes o que vai aparecer.
Como saberíamos se o nosso site foi raspado?
Plante um apelido de e-mail único numa página pública e em nenhum outro lugar, e observe o que chega nele. Junto com isso, pesquise entre aspas uma frase característica do seu site, faça uma pesquisa reversa de imagem com uma foto conhecida do clube e procure nos relatórios de tráfego formatos de coleta em massa, em vez de olhar só o número bruto de visitantes.
Alguém republicou o conteúdo do nosso clube. O que podemos fazer?
Peça a remoção, depois leve o caso ao serviço de hospedagem se não removerem e denuncie o material copiado aos mecanismos de busca. Se o material copiado incluir dados pessoais de sócios, trate como uma questão de privacidade, não de conteúdo: faça um pedido de remoção, guarde registros datados e avise as pessoas afetadas.
